/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,5 млрд
Размер весов
5,3 ГБ
Лицензия
Apache 2.0
Архитектура
gpt_neo · dense
Базовая модель
gpt-neo-1.3B
Библиотека
transformers
Опубликована
9 июл 2026

gpt-neo-1.3B-toxicity-surrogate

Классификация текстаТекст → label

Англоязычный классификатор на базе GPT-Neo, оценивающий вероятность токсичности текста для исследовательских экспериментов по управляемой генерации.

16скачиваний за 30 дней0лайковвеса обновлены9 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

GPT-Neo-1.3B Toxicity Surrogate Scorer — модель классификации текста, разработанная на базе EleutherAI/gpt-neo-1.3B и дообученная на корпусе Jigsaw Toxic Comment Classification. Она оценивает вероятность токсичности английского текста: возвращает вероятность класса toxic от 0 до 1. Модель основана на GPT-Neo с классификационной головой, содержит 1,5 млрд параметров и поддерживает контекст до 2048 токенов.

Модель предназначена прежде всего для исследовательских экспериментов по управляемой генерации текста: она служит внешним оценщиком нарушений и источником мягких меток для классификаторов guidance. На проверочной выборке Jigsaw указаны F1 0,9885, accuracy 0,9886 и ROC-AUC 0,9986. Модель распространяется по лицензии Apache-2.0.

Обучение использовало англоязычные комментарии Jigsaw, а шесть подметок токсичности сведены к одной бинарной метке. Поэтому модель наследует смещения разметки корпуса, включая чувствительность к упоминаниям групп идентичности. Высокие результаты на Jigsaw не гарантируют качества на реальных данных; модель не предназначена для производственной модерации и не переносится на другие языки и предметные области.

Сценарии применения

  • оценка вероятности токсичности английского комментария
  • получение сигнала вознаграждения для экспериментов по генерации текста
  • создание мягких меток токсичности для классификаторов guidance
  • оценивание токсичности выборок, созданных генеративной моделью

Ограничения

Обучена только на англоязычных комментариях Jigsaw и наследует смещения разметки, включая чувствительность к упоминаниям идентичности. Не предназначена для производственной модерации или критически важных фильтров; качество за пределами данных Jigsaw не гарантируется.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GPT-Neo-1.3B Toxicity Surrogate Scorer

A GPTNeoForSequenceClassification head fine-tuned on the Jigsaw Toxic Comment Classification corpus. It outputs a continuous P(toxic) ∈ [0, 1] for a piece of English text (softmax probability of the toxic class, label index 1).

The model is used as an external violation scorer (a CDD-style surrogate) in research on guided discrete diffusion for controllable text generation: at evaluation time it scores decoded samples, and it also provides the soft labels used to train the per-timestep guidance classifiers.

Intended use

  • Primary: reward / violation scoring for controllable generation experiments.
  • Input: a raw English string. Output: softmax(logits)[1] = P(toxic).
  • Not intended as a production content-moderation system.
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

repo = "TheSky0908/gpt-neo-1.3B-toxicity-surrogate"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForSequenceClassification.from_pretrained(repo).eval()

text = "I hope you have a wonderful day."
enc = tok(text, return_tensors="pt", truncation=True, max_length=256)
with torch.no_grad():
    p_toxic = torch.softmax(model(**enc).logits, dim=-1)[0, 1].item()
print(f"P(toxic) = {p_toxic:.4f}")

Training data

Arsive/toxicity_classification_jigsaw. The six Jigsaw sub-labels (toxic, severe_toxic, obscene, threat, insult, identity_hate) are consolidated into a single binary target: label 1 if any sub-label is positive, else 0.

Training procedure

  • Base model: EleutherAI/gpt-neo-1.3B, 2-way sequence-classification head.
  • Objective: cross-entropy on the binarized toxic label.
  • Optimizer: AdamW, lr 1e-5, weight decay 0.01, linear schedule with 6% warmup, grad-clip 1.0.
  • Batch size: 16 · Max length: 256 tokens · Epochs: 3 (~4.9k steps).
  • Precision: bf16 autocast, fp32 weights · gradient checkpointing enabled.
  • Best checkpoint selected by validation F1 (early stopping on the full val set).

Evaluation (Jigsaw validation split)

MetricValue
F10.9885
Accuracy0.9886
ROC-AUC0.9986
Precision0.9855
Recall0.9916

Limitations & bias

Trained only on Jigsaw English comments, so it inherits that corpus's annotation biases (e.g. sensitivity to identity terms) and does not transfer to other languages or domains. High held-out F1 reflects in-distribution Jigsaw data, not real-world moderation performance. Use as a research surrogate signal, not as a safety-critical filter.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
GPTNeoForSequenceClassification
Ревизия весов
db66d98

0 моделей