/ Модель

Характеристики

Контекст
128 токенов
Параметры
10,3 млн
Лицензия
Своя лицензия
Архитектура
bert · dense
Базовая модель
HAYAA
Опубликована
30 июл 2026

HAYAA-student-int8

Классификация текстаТекст → label3 профессии

Компактный дистиллированный BERT-классификатор для определения токсичности арабских текстов на мобильных устройствах.

17скачиваний за 30 дней0лайковвеса обновлены30 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

HAYAA Student — облегчённый классификатор токсичности арабских текстов, созданный MahmoudMabrok для запуска на мобильных устройствах. Это дистиллированная и квантованная до int8 модель на архитектуре BERT: в README указано 9,4 млн параметров, 4 слоя и размер ONNX-файла 9,6 МБ; метаданные указывают 10,3 млн параметров. Контекст — до 128 токенов. Модель присваивает тексту метку Safe или Toxic и предназначена для локальной модерации контента в мобильных приложениях. Доступны файлы ONNX, safetensors и TFLite.

В отчёте приведено высокое согласие с учительской моделью, однако метрики рассчитаны на синтетических арабских данных и отражают совпадение с её метками, а не точность относительно человеческой разметки. Качество ниже на арабизи и франко-арабском письме; порог токсичности не откалиброван и требует настройки на размеченных данных. Обучающие данные преимущественно из Twitter, поэтому поведение на комментариях, личных сообщениях и именах пользователей может отличаться. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

Сценарии применения

  • фильтрация токсичных арабских сообщений в мобильном приложении
  • модерация комментариев на арабском языке
  • первичная сортировка арабских текстов по безопасности
  • локальная проверка пользовательских сообщений перед публикацией

Ограничения

Метрики показывают согласие с учительской моделью на синтетических данных, а не точность по человеческой разметке; порог токсичности нужно калибровать на собственном размеченном наборе. Модель слабее работает с арабизи и может хуже переноситься с текстов Twitter на комментарии, личные сообщения и имена пользователей.

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

HAYAA Student — Arabic toxicity classifier for on-device use

A distilled, vocabulary-pruned, int8-quantized student of youssefreda9/HAYAA, built to run inside a mobile app. 651 MB -> 9.6 MB (67.8x smaller).

Labels: 0 = Safe, 1 = Toxic.

Read this before using it

The numbers below measure agreement with the teacher on synthetically generated Arabic, not accuracy against human labels. The teacher's own reported F1 is 0.924, so agreement is a ceiling on quality, not a measure of it. No human-labelled gold set was used. Treat these results as evidence that the distillation pipeline works, not that the model is fit for your traffic.

Known weaknesses:

  • Franco-Arabic / arabizi (enta 3abeet) scores markedly lower than the same insult in Arabic script. Transliterated text is under-represented upstream.
  • The threshold is not calibrated. The teacher trained with a 3.7x weight on the toxic class, so argmax is not a meaningful operating point. Choose a threshold on your own labelled data.
  • Domain gap: upstream training data is predominantly Twitter. Comments, DMs and usernames may behave differently.
  • Dialect coverage follows the distillation corpus, which was synthetic here.

Model

teacherstudent
params162.8M9.4M
layers124
hidden size768256
vocab100,00023970
size651 MB fp329.6 MB int8

Results

metricvalue
teacher agreement0.967
macro-F1 vs teacher labels0.9347
PR-AUC0.9554
[UNK] rate, out-of-distribution0.0

Runtimes

runtimeMBp50 msp95 msmax abs dpflips
torch fp323819.023.60.00/300
onnx fp3237.713.618.40.00/300
onnx int89.610.412.60.007720/300

Measured single-threaded, batch 1, sequence 128, on a Colab CPU. Reference for the dp and flips columns is PyTorch fp32. Expect 1.5-3x higher latency on a mid-range phone.

How it was built

  1. Teacher labels raw text with full logits (soft targets) — no human labels needed
  2. Vocabulary pruned to corpus tokens + all 1-2 char pieces + top 20000 by frequency
  3. Student initialised from teacher: pruned embedding rows, layers None, pooler, classifier head
  4. Distillation: loss = 0.8 * T^2 * KL(s/T || t/T) + 0.2 * CE, with T=3.0, 6 epochs
  5. ONNX export, then dynamic int8 quantization

Method follows Hinton et al. 2015 (arXiv:1503.02531) and DistilBERT (arXiv:1910.01108).

Usage

import numpy as np, onnxruntime as ort
from transformers import AutoTokenizer

tok = AutoTokenizer.from_pretrained("MahmoudMabrok/HAYAA-student-int8", subfolder="tokenizer")
sess = ort.InferenceSession("student_int8.onnx")

enc = tok("النص هنا", truncation=True, max_length=128,
          padding="max_length", return_tensors="np")
names = [i.name for i in sess.get_inputs()]
feed = {k: v.astype(np.int64) for k, v in enc.items() if k in names}
logits = sess.run(None, feed)[0]
e = np.exp(logits - logits.max(-1, keepdims=True))
p_toxic = (e / e.sum(-1, keepdims=True))[0, 1]

On Android: put student_int8.onnx and tokenizer/tokenizer.json in assets, and verify your Kotlin WordPiece implementation against tokenizer_fixtures.json before trusting any output. A tokenizer that is 98% right produces a classifier that demos perfectly and is broken on exactly the inputs it was built for.

Files

  • student_int8.onnx — quantized, for deployment
  • student.onnx — fp32
  • student.tflite — LiteRT build, if conversion succeeded
  • tokenizer/ — pruned tokenizer (23970 tokens)
  • tokenizer_fixtures.json — frozen tokenizer behaviour for cross-language tests
  • run_report.json — every metric from this run

License and attribution

Derived from youssefreda9/HAYAA, itself a fine-tune of UBC-NLP/MARBERTv2. MARBERT's authors release the checkpoints for research and direct commercial users to contact them. Fine-tuning and distillation do not reset those terms, and a permissive tag on an intermediate model cannot grant rights its author did not hold.

For commercial use, contact UBC-NLP, or rebuild from a permissively licensed teacher such as CAMeL-Lab/bert-base-arabic-camelbert-mix (Apache-2.0, covers MSA plus Egyptian, Gulf and Levantine).

@inproceedings{abdul-mageed-etal-2021-arbert,
  title = {ARBERT & MARBERT: Deep Bidirectional Transformers for Arabic},
  author = {Abdul-Mageed, Muhammad and Elmadany, AbdelRahim and Nagoudi, El Moatez Billah},
  booktitle = {Proceedings of ACL-IJCNLP 2021},
  year = {2021},
  pages = {7088--7105}
}

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
BertForSequenceClassification
Ревизия весов
a1bb1c7

0 моделей