/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
distilbert · dense
Базовая модель
distilbert-base-uncased
Опубликована
11 июл 2026

hybrid-guardrails-distilbert-moderation

Классификация текстаТекст → label

Лёгкий классификатор DistilBERT для бинарной оценки текста как безопасного или небезопасного, предназначенный для исследовательских сравнений в модерации контента.

6скачиваний 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

JashVora7 разработал лёгкий классификатор модерации на базе DistilBERT, дообученный для бинарной классификации текста на безопасный и небезопасный. Модель предназначена для исследовательских сравнений как нейросетевая базовая линия в проекте гибридной символьной и нейросетевой модерации.

Модель использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. Она обучена на объединённом корпусе AdvBench, ToxiGen и Alpaca-Cleaned. В опубликованной оценке точность составила 0,600, полнота — 0,079, F1 — 0,139; особенно низкая полнота по adversarial-контенту делает её слабым выбором для самостоятельной производственной модерации. Лицензия — MIT.

Сценарии применения

  • классификация текста по признаку безопасный или небезопасный
  • исследовательская оценка нейросетевой модерации контента
  • сравнение качества DistilBERT и других классификаторов безопасности

Ограничения

В опубликованной оценке полнота составила 0,079, а F1 — 0,139; полнота на adversarial-контенте существенно ниже, чем у сравнительной модели DeBERTa. README характеризует модель как исследовательскую базовую линию, не рекомендуемую для производственной классификации.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hybrid-guardrails-distilbert-moderation

A DistilBERT binary safe/unsafe content classifier, fine-tuned as a lightweight neural baseline in the hybrid-guardrails neuro-symbolic moderation pipeline project. Evaluated standalone as the "Distilbert Only" baseline.

Architecture

DistilBertForSequenceClassification, fine-tuned from distilbert-base-uncased (6 layers, hidden size 768), 2-way classification (safe / unsafe).

Training data

Same combined corpus as the project's DeBERTa checkpoint (see JashVora7/hybrid-guardrails-deberta-moderation): AdvBench, ToxiGen, and Alpaca-Cleaned. Training config: training/configs/distilbert_base.yaml (seed 42).

Intended use

Research artifact only -- a lightweight-but-weaker comparison point against the DeBERTa checkpoint in the project's baseline table, not a recommended production classifier. Its recall on adversarial content is substantially lower than DeBERTa's (see below); it exists in this project to demonstrate that hybrid symbolic+neural gains are conditional on neural classifier quality, not just architecture choice.

Evaluation results (seed 42, Experiment A baseline comparison)

MetricValue
Precision0.600
Recall0.079
F10.139
AUROC0.538
FRR0.005

Low recall/F1 relative to the project's DeBERTa checkpoint is a real, reported finding, not a bug -- see paper/MANUSCRIPT.md (§5.1) in the source repository for discussion.

Usage

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

tok = AutoTokenizer.from_pretrained("JashVora7/hybrid-guardrails-distilbert-moderation")
model = AutoModelForSequenceClassification.from_pretrained(
    "JashVora7/hybrid-guardrails-distilbert-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
DistilBertForSequenceClassification
Ревизия весов
e0e6e56

0 моделей