/ Модель

Характеристики

Контекст
514 токенов
Параметры
454 млн
Лицензия
CC BY-NC 4.0
Архитектура
roberta · dense
Опубликована
4 янв 2025

LLM-Refusal-Classifier

Классификация текстаТекст → label3 профессии

Дообученная RoBERTa-large определяет, содержит ли ответ LLM отказ или оговорку и связано ли это с этическими причинами либо ограничениями модели.

52скачиваний за 30 дней4лайкавеса обновлены18 июн 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

Human-CentricAI/LLM-Refusal-Classifier — дообученная модель RoBERTa-large для классификации ответов языковых моделей по наличию отказа или оговорки и их причине. Она относит ответ к одному из пяти классов: обычный ответ, отказ по этическим причинам, оговорка об этических причинах при попытке ответить, отказ из-за ограничений возможностей или оговорка об ограничениях при попытке ответить.

Модель обучена на 2 450 ответах из Chatbot Arena и предназначена для анализа поведения LLM, оценки отказов и разметки ответов в исследованиях и системах мониторинга. Архитектура — RoBERTa для классификации последовательностей; размер — 454,1 млн параметров, контекст — 514 токенов. Карточка не сообщает языки обучающих данных, поэтому языковую поддержку нельзя надёжно определить.

Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Обучение на небольшом наборе ответов Chatbot Arena может ограничивать переносимость классификации на другие модели, языки и типы запросов.

Сценарии применения

  • классификация отказов в ответах языковых моделей
  • разделение этических отказов и отказов из-за нехватки возможностей
  • поиск оговорок о безопасности в ответах чат-ботов
  • разметка ответов LLM для исследований поведения моделей
  • мониторинг доли отказов и оговорок в диалогах

Ограничения

Обучение на 2 450 ответах из Chatbot Arena может ограничивать переносимость модели на другие источники, языки и типы запросов. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

(Note: Updated Model uploaded on 2025.07.28)

This model is a fine-tuned version of RoBERTa-large [1]. It was trained on 2,450 LLM responses from Chatbot Arena [2]. The model classifies whether a response is a refusal or a disclaimer and identifies the reason behind the refusal/disclaimer: (i) ethical concerns or (ii) lack of technical capabilities, information, or context.

The model assigns one of five possible labels:

0 (normal): No refusal or disclaimer; the model provides a standard, straightforward answer 1 (Refusal Unethical): The model refuses to answer for ethical reasons, such as legal, moral, inappropriate, or safety-related concerns 2 (Disclaimer Unethical): The model cites ethical concerns but still attempts to conduct the task/question of the prompt 3 (Refusal Capability): The model refuses to answer due to its own limitations, lack of information, or lack of ability to provide an adequate response. 4 (Disclaimer Capability): The model signals its limitations but attempts to provide an answer within its capacity

Please cite: Pasch, S. (2026). LLM content moderation and user satisfaction: evidence from response refusals in Chatbot Arena. Behaviour & Information Technology, 45(10), 2007–2031. https://doi.org/10.1080/0144929X.2025.2565668.

References [1] Liu, Y.; Ott, M.; Goyal, N.; Du, J.; Joshi, M.; Chen, D.; ... & Stoyanov, V. (2019). Roberta: A robustly optimized bert pretraining approach. arXiv preprint arXiv:1907.11692. [2] Chiang, W. L., Zheng, L., Sheng, Y., Angelopoulos, A. N., Li, T., Li, D., ... & Stoica, I. (2024). Chatbot arena: An open platform for evaluating llms by human preference. arXiv preprint arXiv:2403.04132.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForSequenceClassification
Ревизия весов
0d9379e

0 моделей