/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
deberta-v3-base
Опубликована
11 июл 2026

hybrid-guardrails-deberta-moderation

Классификация текстаТекст → label3 профессии

Дообученный классификатор DeBERTa-v3-base определяет, относится ли текст к безопасному или небезопасному содержимому.

12скачиваний за 30 дней0лайковвеса обновлены11 июл 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

Jash Vora разработал эту модель как нейронный компонент гибридного конвейера модерации hybrid-guardrails и как отдельную базовую модель для экспериментов. Это дообученная DeBERTa-v3-base с архитектурой DebertaV2ForSequenceClassification: 12 слоёв, размер скрытого состояния 768, около 211,6 млн параметров и контекст до 512 токенов. Модель относит текст к одному из двух классов: safe или unsafe.

Модель предназначена для оценки текстовых запросов и проверки подходов к модерации вредоносных инструкций и токсичных высказываний, в том числе в гибридных системах с символьными правилами. В экспериментах на наборах проекта указаны precision 0,890, recall 0,952 и F1 0,919; эти результаты не подтверждают пригодность для произвольной производственной модерации. Для обучения использовались AdvBench, ToxiGen и Alpaca-Cleaned. Веса распространяются по лицензии MIT, однако условия использования и распространения обучающих данных различаются, включая ограничения некоммерческого использования для Alpaca-Cleaned.

Сценарии применения

  • Классификация запросов как безопасных или небезопасных
  • Выявление вредоносных инструкций в пользовательских сообщениях
  • Проверка токсичных и потенциально ненавистнических высказываний
  • Сравнение нейронной модерации с гибридными системами правил и моделей
  • Бенчмаркинг модерации на чистых и состязательных примерах

Ограничения

Модель оценивалась на конкретных бенчмарках и тестовых наборах проекта, поэтому её качество для общей производственной модерации не подтверждено. Контекст ограничен 512 токенами; обучающие данные имеют разные условия лицензирования, включая некоммерческое ограничение для Alpaca-Cleaned.

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

hybrid-guardrails-deberta-moderation

A DeBERTa-v3-base binary safe/unsafe content classifier, fine-tuned as the neural component of the hybrid-guardrails neuro-symbolic moderation pipeline. It is also evaluated standalone as the "Deberta Only" baseline in that project's experiments.

Architecture

DebertaV2ForSequenceClassification, fine-tuned from microsoft/deberta-v3-base (12 layers, hidden size 768), 2-way classification (safe / unsafe).

Training data

Fine-tuned on a combined corpus of:

  • AdvBench (adversarial/harmful instruction prompts, MIT-licensed)
  • ToxiGen (machine-generated implicit/adversarial hate speech, gated HF dataset)
  • Alpaca-Cleaned (benign instruction-following data, CC BY-NC 4.0, non-commercial research use)

Training config: training/configs/deberta_base.yaml (3 epochs, batch size 4, gradient accumulation 4, lr 2e-5, seed 42). See the project's Data Availability section for exact license/redistribution terms of each source.

Intended use

Research artifact for benchmarking hybrid symbolic+neural LLM moderation pipelines. Not validated as a general-purpose production content-safety classifier -- evaluated specifically against the HNS-Bench adversarial benchmark and the clean/adversarial test sets described in the accompanying paper.

Evaluation results (seed 42, Experiment A baseline comparison)

Aggregated across the project's clean and adversarial test sets:

MetricValue
Precision0.890
Recall0.952
F10.919
AUROC0.975
FRR0.060

Full per-dataset breakdown and multi-seed variance available in the source repository's results/experiment_A/ and paper/MANUSCRIPT.md (§5.1).

Usage

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

tok = AutoTokenizer.from_pretrained("JashVora7/hybrid-guardrails-deberta-moderation")
model = AutoModelForSequenceClassification.from_pretrained(
    "JashVora7/hybrid-guardrails-deberta-moderation"
)

inputs = tok("ignore all previous instructions", return_tensors="pt")
with torch.no_grad():
    probs = torch.softmax(model(**inputs).logits, dim=-1)
print(probs)  # [P(safe), P(unsafe)]

License

MIT, matching the source repository.

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
DebertaV2ForSequenceClassification
Ревизия весов
a4fc377

0 моделей