/ Модель

Характеристики

Контекст
512 токенов
Параметры
124 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
multilingual-e5-small-aligned-v2
Опубликована
21 дек 2025

multilingual-e5-small-refusal-classifier

Классификация текстаТекст → label3 профессии

Мультиязычный классификатор на базе BERT для выявления отказов ассистента в диалогах с ИИ.

134скачиваний за 30 дней0лайковвеса обновлены22 дек 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

Multilingual Refusal Classifier — модель классификации текста от agentlans для определения отказов ассистента в диалогах с ИИ. Она различает отказ отвечать по причинам безопасности, ограничений возможностей или политики и содержательный ответ. Модель дообучена на agentlans/multilingual-e5-small-aligned-v2 на наборе agentlans/refusal-classifier-data; архитектура — BERT для классификации последовательностей, размер — 124,3 млн параметров, формат весов — safetensors.

Модель предназначена для анализа диалогов и оценки поведения ИИ: выявления отказов, поддержки исследований выравнивания и контроля согласованности ответов на разных языках. Заявлена поддержка многих языков, включая русский; максимальная длина входа — 512 токенов. В README указана точность 0,9153 на тестовых примерах, однако масштаб оценки ограничен десятью примерами, переведёнными со страницы модели NousResearch/Minos-v1.

Возможны ложноположительные и ложноотрицательные классификации, особенно при неоднозначных формулировках и на языках с малым объёмом данных; культурные различия в выражении отказа также влияют на результат. README не рекомендует использовать модель для модерации или в производственных системах без контроля человека. Лицензия — MIT.

Сценарии применения

  • выявление отказов ассистента в записях диалогов
  • анализ причин отказов ИИ
  • оценка согласованности отказов на разных языках
  • подготовка метрик для исследований выравнивания ИИ
  • мониторинг ответов модели с проверкой человеком

Ограничения

Максимальная длина входа — 512 токенов; возможны ложные срабатывания и пропуски, особенно на малоресурсных языках и при неоднозначных формулировках. Для модерации и производственного применения README рекомендует человеческий контроль.

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

Multilingual Refusal Classifier

This model detects assistant refusals in multilingual AI conversations. It identifies when a model declines to answer a user prompt (for example, for safety, capability, or policy reasons) versus when it provides a substantive response.

The model is a fine-tuned version of agentlans/multilingual-e5-small-aligned-v2, trained on the agentlans/refusal-classifier-data dataset.

Evaluation results:

  • Loss: 0.2665
  • Accuracy: 0.9153
  • Training tokens: 5,347,200

Usage

This classifier accepts input in conversation-like text formats using structured role tokens.
For long texts, insert <|...|> as an ellipsis placeholder in the middle of omitted content.

Supported input formats:

  • <|system|>System prompt<|user|>User message<|assistant|>Response<|user|>Next user message<|assistant|>Next response...
  • <|user|>User message<|assistant|>Response<|user|>Next user message<|assistant|>Next response...

Example:

from transformers import pipeline

classifier = pipeline(
    task="text-classification",
    model="agentlans/multilingual-e5-small-refusal-classifier"
)

text = (
    "<|user|>Mr. Loyd wants to fence his square-shaped land of 150 sqft each side. "
    "If a pole is laid every certain distance, he needs 30 poles. "
    "What is the distance between each pole in feet?"
    "<|assistant|>If Mr. Loyd's land is square-shaped and each side is 150 sqft, then<|...|>"
    "ce between poles ≈ 20.69 sqft\n\nTherefore, the distance between each pole is approximately 20.69 feet."
)

print(classifier(text))
# [{'label': 'Non-refusal', 'score': 0.9906}]

Evaluation Results

The classifier was tested on ten examples translated from the NousResearch/Minos-v1 model page. Full examples are available in Examples.md.

  • 🚫 — The model predicted a refusal to answer.
  • ◯ — The model predicted a valid response.
ExampleEnglishFrenchSpanishChineseRussianArabic
1🚫🚫🚫🚫🚫🚫
2🚫🚫🚫🚫🚫🚫
3🚫🚫🚫🚫🚫🚫
4🚫🚫🚫🚫🚫🚫
5🚫🚫🚫🚫🚫🚫
6◯◯◯◯◯◯
7◯◯◯◯◯◯
8◯◯◯◯◯◯
9◯🚫◯◯🚫🚫
10◯◯◯◯◯◯

The classifier performs consistently across major languages, though some false positives remain, especially in contexts with ambiguous phrasing.

Limitations

  • Input length: 512-token maximum
  • False positives/negatives: Occasionally similar to the Minos classifier
  • Low-resource languages: May yield inconsistent predictions
  • Cultural variation: Expressions of refusal differ linguistically, which can affect accuracy

Training Details

Hyperparameters

  • Learning rate: 5e-5
  • Train batch size: 8
  • Eval batch size: 8
  • Seed: 42
  • Optimizer: ADAMW_TORCH_FUSED (betas=(0.9, 0.999), epsilon=1e-8)
  • Scheduler: Linear
  • Epochs: 5

Framework Versions

  • Transformers 5.0.0.dev0
  • PyTorch 2.9.1+cu128
  • Datasets 4.4.1
  • Tokenizers 0.22.1

Intended Use

This model is designed for:

  • Identifying AI refusals during conversation analysis.
  • Supporting evaluation pipelines for alignment and compliance studies.
  • Helping developers monitor cross-lingual consistency in model responses.

It is not intended for moderation or real-time deployment in production systems without human oversight.

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
777a934

0 моделей