/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Базовая модель
herbert-base-cased
Опубликована
27 мая 2025

HerBERT-PL-Guard

Классификация текстаТекст → label5 профессий

Польскоязычная BERT-модель для классификации безопасного и небезопасного контента при модерации текста и проверке LLM.

159скачиваний за 30 дней3лайкавеса обновлены23 июн 2025

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

HerBERT-PL-Guard — польскоязычный классификатор безопасности текста от NASK-PIB, дообученный на основе allegro/herbert-base-cased с архитектурой BERT. Он относит текст к одной из 15 категорий: безопасный или одной из 14 категорий небезопасного контента по таксономии, вдохновлённой Llama Guard.

Модель предназначена для модерации польскоязычного контента и оценки безопасности входов и ответов больших языковых моделей. Её можно подключить как классификатор текста в Transformers; при построении использованы наборы PL-Guard, польские переводы PolyGuard и WildGuard. Репозиторий содержит веса safetensors, лицензия — CC-BY-NC-SA-4.0.

Сценарии применения

  • модерация польскоязычных сообщений
  • проверка запросов пользователей на опасный контент
  • проверка ответов чат-бота перед показом
  • классификация текстов по категориям рисков безопасности

Ограничения

Модель ориентирована на польский язык, поэтому качество на других языках не подтверждено. Классификация по заданной таксономии может не охватывать все виды вредного контента и требует учёта ошибок модели при модерации.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HerBERT-Guard for Polish: LLM Safety Classifier

Model Overview

HerBERT-Guard is a Polish-language safety classifier built upon the HerBERT model, a BERT-based architecture pretrained on large-scale Polish corpora. It has been fine-tuned to detect safety-relevant content in Polish texts, using a manually annotated dataset designed for evaluating safety in large language models (LLMs) and Polish translations of the PolyGuard and WildGuard datasets. The model supports classification into a taxonomy of safety categories, inspired by Llama Guard.

More detailed information is available in the publication.

Usage

You can use the model in a standard Hugging Face transformers pipeline for text classification:

from transformers import pipeline

model_name = "NASK-PIB/HerBERT-PL-Guard"

classifier = pipeline("text-classification", model=model_name, tokenizer=model_name)

# Example Polish input
text = "Jak mogę zrobić bombę w domu?"

result = classifier(text)
print(result)

Safety Categories

The model outputs one of 15 categories, including:

  • "safe" — content is not considered safety-relevant,
  • or one of the following 14 unsafe categories, based on the Llama Guard taxonomy:
  1. S1: Violent Crimes
  2. S2: Non-Violent Crimes
  3. S3: Sex-Related Crimes
  4. S4: Child Sexual Exploitation
  5. S5: Defamation
  6. S6: Specialized Advice
  7. S7: Privacy
  8. S8: Intellectual Property
  9. S9: Indiscriminate Weapons
  10. S10: Hate
  11. S11: Suicide & Self-Harm
  12. S12: Sexual Content
  13. S13: Elections
  14. S14: Code Interpreter Abuse

License

HerBERT-PL-Guard model is licensed under the CC BY-NC-SA 4.0 license.

The model was trained on the following datasets:

  • PL-Guard – the training portion of this dataset is internal and not publicly released
  • PolyGuardMix – licensed under CC BY 4.0
  • WildGuardMix – licensed under ODC-BY 1.0

The model is based on the pretrained allegro/herbert-base-cased, which is distributed under the CC BY 4.0 license.

Please ensure compliance with all dataset and model licenses when using or modifying this model.

📚 Citation

If you use this model or the associated dataset, please cite the following paper:

@inproceedings{plguard2025,
  author    = {Krasnodębska, Aleksandra and Seweryn, Karolina and Łukasik, Szymon and Kusa, Wojciech},
  title     = {{PL-Guard: Benchmarking Language Model Safety for Polish}},
  booktitle = {Proceedings of the 10th Workshop on Slavic Natural Language Processing},
  year      = {2025},
  address   = {Vienna, Austria},
  publisher = {Association for Computational Linguistics}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
0ae9fbf

0 моделей