/ Модель

Характеристики

Контекст
8 192 токена
Параметры
307 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
mmBERT-base
Библиотека
transformers
Опубликована
24 сен 2026

hallucination-guard-base

Классификация текстаТекст → label

Многоязычный классификатор, который проверяет, подтверждается ли ответ, сводка или утверждение предоставленным источником.

170скачиваний за 30 дней0лайковвеса обновлены26 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Horizon Labs Hallucination Guard base — дообученный многоязычный классификатор на базе jhu-clsp/mmBERT-base для проверки, подтверждается ли ответ или отдельное утверждение предоставленным источником. Он предназначен для контроля ответов RAG-систем, сводок и результатов работы ИИ-агентов: на вход подаются источник и проверяемый текст, на выходе — оценка поддержки источником. Модель построена на архитектуре ModernBERT, содержит 306,9 млн параметров и поддерживает контекст до 8192 токенов; в репозитории доступны веса Safetensors и формат ONNX. По карточке, обучение охватывает 30 языков, включая русский, и использует данные RAGTruth, WANLI и синтетические примеры.

Модель проверяет соответствие только переданному источнику: фактически верное утверждение без подтверждения в нём может получить метку «не поддерживается». Простые арифметические и временные выводы, некоторые перефразирования, подробные сводки и экспертные развернутые ответы могут оцениваться хуже. В англоязычной проверке утверждений на LLM-AggreFact карточка сообщает о более низком результате, чем у MiniCheck-RoBERTa-L и HHEM; часть многоязычной оценки получена на машинных переводах. Лицензия модели — Apache-2.0.

Сценарии применения

  • проверка фактической обоснованности ответов RAG
  • поиск неподтверждённых утверждений в ответах ИИ-агента
  • проверка соответствия сводки исходным документам
  • сравнение ответа с результатом инструмента или найденными документами

Ограничения

Модель проверяет утверждения только относительно предоставленного источника, поэтому верные сведения без явного подтверждения может классифицировать как неподдержанные; арифметические и временные выводы, некоторые перефразирования и насыщенные деталями сводки даются ей сложнее. В англоязычной проверке утверждений на LLM-AggreFact она уступает MiniCheck-RoBERTa-L и HHEM, а многоязычные результаты оценивались в том числе на машинных переводах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Hallucination Guard (base, 308M)

A small, multilingual groundedness checker. Given a source (retrieved documents, a transcript, a tool result) and an AI response or claim, it predicts whether the response is supported by the source. Use it to flag RAG answers, summaries and agent outputs that add, change or contradict facts.

  • Multilingual: trained on data in 30 languages. On HaluEval translated into six languages it stays at the level of its English score, while English-only checkers drop (table below).
  • Long context: 8k-token window (trained at 2k); long sources can also be chunked (see below).
  • Open: Apache-2.0, ungated. Trained on permissively licensed data and Qwen-generated synthetic data. ONNX included.
  • Honest about where it loses: on English claim-level fact-checking (LLM-AggreFact), MiniCheck and HHEM are better. If you only need English, compare them on your data.

Try it in the browser: Horizon-Labs/hallucination-guard demo.

Part of Agent I/O Guards (prompt injection, PII, groundedness). Source code: github.com/horizon-ai-labs/agent-io-guards.

Quick start

from transformers import pipeline

clf = pipeline("text-classification", model="Horizon-Labs/hallucination-guard-base")
doc = "The Eiffel Tower is 330 metres tall and was completed in 1889 for the World's Fair."
clf({"text": doc, "text_pair": "The tower was finished in 1889."})   # SUPPORTED
clf({"text": doc, "text_pair": "The tower was finished in 1899."})   # UNSUPPORTED

Put the source first and the response or claim second. Labels: UNSUPPORTED (0) and SUPPORTED (1). The score for SUPPORTED is the support probability.

For long sources, or to find which sentence is unsupported, split the response into sentences and score each one against the source. For a response-level score, take the minimum over sentences:

import re
def check(source, response, clf=clf):
    sents = [s for s in re.split(r"(?<=[.!?。!?])\s+", response) if s.strip()]
    res = clf([{"text": source, "text_pair": s} for s in sents], truncation=True, max_length=2048)
    return [(s, r["label"], r["score"]) for s, r in zip(sents, res)]

Evaluation

Balanced accuracy at a 0.5 threshold. All models were run by us with the same script (ground/evaluate_ground.py). MiniCheck used context chunking with max over chunks, as its own library does. HHEM used contexts capped at 12,000 characters, because it ran out of memory on the longest documents. † marks sets that are in-distribution for our models: we trained on RAGTruth's train split, and those rows use its test split.

LLM-AggreFact (English claim verification, 11 datasets, up to 1,000 examples each)

this modelsmall (141M)MiniCheck-RoBERTa-LMiniCheck-DeBERTa-LHHEM-2.1-open
AggreFact-CNN0.6180.6070.6640.6220.629
AggreFact-XSum0.6220.6440.7090.6880.706
ClaimVerify0.7370.6820.7830.7440.753
ExpertQA0.5930.5530.6060.5970.568
FactCheck-GPT0.6740.6570.7540.7280.729
LFQA0.8130.7260.8630.8380.839
RAGTruth †0.8150.7960.7880.7730.734
Reveal0.8340.7980.8960.8710.865
TofuEval-MediaS0.7070.6540.6960.6760.679
TofuEval-MeetB0.7360.6770.7650.7240.721
Wice0.7320.7190.7170.6640.751
Mean0.7160.6830.7490.7210.725

Multilingual: HaluEval QA and dialogue, translated (400 items per language)

The items were machine-translated with Qwen3.8-27B, keeping their labels. They are disjoint from the English HaluEval items above. Caveat: the translations come from the same model family we used to generate synthetic training data, which may favour our model somewhat.

this modelsmall (141M)MiniCheck-RoBERTa-LMiniCheck-DeBERTa-LHHEM-2.1-open
English0.7200.6570.5890.6700.701
German0.7240.7190.6910.6720.670
Spanish0.7140.6910.6500.6750.675
Chinese0.7380.7130.6270.6210.546
Japanese0.7510.7290.6260.6690.546
Arabic0.7100.7000.6160.6910.544
Hindi0.7400.7300.5950.6700.564
Mean of the 6 non-English languages0.7290.7140.6340.6660.591

Versions

v1.1 (this version) adds about 147k multi-sentence claim pairs (claims whose facts are spread over several sentences of the source, and the same pairs with one needed sentence removed). It is better on English claim-level fact-checking (LLM-AggreFact). On translated HaluEval it scores lower than v1.0, but a large part of that gap is training noise: retraining the v1.0 recipe with another random seed gives very different HaluEval numbers (rows below). The translated- HaluEval AUC is consistently about 0.02 lower with the v1.1 data, so part of the difference is real. Pin the previous model with revision="v1.0".

AggreFact baccAggreFact AUC6 languages bacc6 languages AUCHaluEval QARAGTruth
v1.0 (released)0.6970.7730.7550.8020.8170.821
v1.0 recipe, another seed0.7020.7680.6840.7860.7380.809
v1.1 (this version)0.7160.7960.7290.7740.7820.829
v1.1 recipe, another seed0.7110.7940.7060.7770.7140.822

Other benchmarks

this modelsmall (141M)MiniCheck-RoBERTa-LMiniCheck-DeBERTa-LHHEM-2.1-open
HaluEval QA0.7820.6910.6350.7680.762
HaluEval dialogue0.6350.6430.5220.5240.625
HaluEval summarization0.5590.5480.6480.6230.526
RAGTruth test, response level †0.8290.7980.6040.6260.750

Limitations

  • On English claim-level fact-checking, MiniCheck-RoBERTa-L (0.749) and HHEM (0.725) beat this model (0.716) on LLM-AggreFact. Our advantage is in other languages, and in QA and dialogue grounding.
  • It judges support by the given source only. It is not a world-knowledge fact checker: a true statement that the source doesn't contain is UNSUPPORTED.
  • Simple arithmetic or temporal inferences are often marked UNSUPPORTED. For example, "opened before 2022" given a source that says "opened in March 2021". The small model also misses some paraphrases ("weekdays" for "Monday to Friday") that the base model handles.
  • Summaries with many small details (HaluEval summarization) and expert long-form answers (ExpertQA) are hard for every model here.
  • Much of the training data is synthetic (Qwen3.8-27B). The multilingual numbers come from translated data, not native benchmarks.

Training

  • Backbone: jhu-clsp/mmBERT-base (MIT), sequence-pair classification, max length 2048, bf16.
  • About 340k (source, response) pairs:
    • Qwen3.8-27B-generated responses over FineWeb-Edu / FineWeb-2 passages (ODC-BY) in 29 languages: supported answers and minimally edited unsupported variants, at both response and sentence level.
    • Qwen-generated documents in 18 genres (news, meeting transcripts, support chats, retrieved snippets, reviews, contracts…) with supported and unsupported claims, in 30 languages.
    • RAGTruth train split (MIT), response level.
    • WANLI (CC-BY-4.0).
    • (v1.1) About 147k multi-sentence claim pairs generated with Qwen3.8-27B (code/ground/gen_c2d.py): invented documents whose facts are spread over different sentences, and FineWeb / FineWeb-2 passages with claims that combine 2-3 sentences; unsupported versions remove one needed sentence. About 40% English.
  • Not used: ANLI and other non-commercial NLI data, DocNLI (derived from non-commercial sources), and every benchmark above except RAGTruth's train split.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForSequenceClassification
Ревизия весов
f0aaaac

0 моделей