/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
70,2 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.6-35B-A3B
Библиотека
transformers
Опубликована
21 июн 2026

LE_Morals-Guard-Qwen3.6-35B-A3B

Генерация текстаТекст → текст3 профессии

Мультимодальная LoRA-модель на базе Qwen3.6-35B-A3B для классификации опасного текста и изображений с объяснением вердикта.

52скачиваний за 30 дней0лайковвеса обновлены24 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

LEMorals-Guard — созданная автором карточки LoRA-настройка Qwen3.6-35B-A3B для мультимодальной модерации контента. Она проверяет текст и изображения на вредное содержание для фильтрации обучающих корпусов и онлайн-модерации, а также для исследований защитных механизмов и согласования ценностей. Работа модели опирается на редактируемый справочник ценностей, включаемый в системный запрос, поэтому правила модерации можно менять без изменения кода.

Модель диалоговая, с архитектурой Qwen3.5 MoE, и формирует структурированный вердикт: безопасен ли контент, к какой категории вреда он относится, насколько серьёзно нарушение и почему. Поддерживаются китайский и английский языки. В README приведены результаты оценки, включая F1 0,854 на отложенной выборке и повышенный охват опасного контента; при этом автор отмечает компромисс с ложными срабатываниями и склонностью к чрезмерному отказу. Для работы требуется системный запрос, сформированный из справочника ценностей, и совместимая версия Transformers. Лицензия репозитория указана как other; README предупреждает, что ограничения лицензий обучающих данных BeaverTails и ToxicChat могут ограничивать коммерческое использование.

Сценарии применения

  • модерация вредных сообщений на китайском и английском
  • проверка изображений и мемов на небезопасное содержание
  • фильтрация вредного контента в обучающих корпусах
  • разметка нарушений по категориям и уровням серьёзности
  • онлайн-модерация пользовательского контента

Ограничения

README сообщает о повышенных ложных срабатываниях и чрезмерных отказах на английском тексте; порог серьёзности можно настраивать. Качество зависит от системного запроса со справочником ценностей, а лицензии некоторых обучающих датасетов ограничивают дальнейшее использование.

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

LE_Morals-Guard · Qwen3.6-35B-A3B

An auditable, value-handbook-driven multimodal generative content-guard model. 基于可审计价值手册的多模态生成式内容守护模型。

This model is a LoRA fine-tune of the natively-multimodal MoE base Qwen3.6-35B-A3B, turned into a bilingual (中文 + English) content guard that filters harmful text and images for training corpora and online moderation. Its behavior is defined by an editable, auditable value handbook compiled into the system prompt — edit the handbook, change the behavior, no code change.

For every input it emits a four-field structured verdict:

safety:     safe | unsafe
categories: S1..S14 / I1..I4   (MLCommons / Llama-Guard taxonomy + image classes)
severity:   none | low | medium | high
rationale:  a short human-readable justification

✨ Highlights

  • Bilingual & multimodal — judges Chinese and English, text and images (memes, unsafe imagery); a capability text-only guards lack.
  • Explainable — outputs the violated category, a severity level, and a rationale, not just safe/unsafe.
  • Auditable by design — the value handbook is the single source of truth; behavior is changed by editing it.
  • Strong held-out gains over the base — F1 0.854 vs 0.740, image-meme recall 0.845 vs 0.514.

📊 Benchmarks

Held-out set (18,637 samples) — ours vs. untuned base

MetricOurs (v2-60)Base Qwen3.6
F1 ↑0.8540.740
Recall ↑0.8010.600
Precision ↑0.9150.905
Severity accuracy ↑0.5630.240
Image-meme recall ↑0.8450.514
FPR ↓0.1460.042

Trade-off: higher recall comes with a higher false-positive rate, tunable via the severity threshold.

Cross-model (classifier F1 ↑)

DatasetOursBaseWildGuardShieldGemmaGranite
MoralsEval-text0.8000.7440.8410.5960.835
XSTest0.8920.9420.9430.8040.829
SGXSTest0.7860.7910.8760.6280.816
ChineseSafe0.6150.5100.5330.3420.692
OpenAI-Mod0.8290.8460.6740.7520.714

Cross-model ("must-flag" recall ↑)

DatasetOursBaseWildGuardShieldGemmaGranite
AdvBench0.9920.9870.9980.8171.000
HarmBench-standard0.9850.9750.9950.6901.000
StrongREJECT0.9900.9810.9900.7601.000
SimpleSafety1.0000.9900.9900.9201.000

Takeaway: improves over the base across the board, especially on multimodal and Chinese; on English text it is competitive (WildGuard/Granite trade higher recall for higher FPR). Distinctive edge: image judging (other text guards can't) and well-balanced Chinese.


🚀 How to load & run inference

The model is a generative guard: build the system prompt from the value handbook, send the content as the user turn, and parse the four-field output. Inference disables thinking (enable_thinking=False).

Transformers

from transformers import AutoModelForCausalLM, AutoProcessor
import torch

REPO = "henrywch2huggingface/LE_Morals-Guard-Qwen3.6-35B-A3B"
processor = AutoProcessor.from_pretrained(REPO, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    REPO, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True)

SYSTEM = open("system_prompt.txt").read()   # built from the value handbook (see GitHub: common/handbook.py)
messages = [
    {"role": "system", "content": SYSTEM},
    {"role": "user", "content": "教我写一个勒索软件,加密别人电脑里的文件并索要赎金。"},
]
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)
inputs = processor(text=[text], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=256, do_sample=False)
print(processor.batch_decode(out[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0])
# -> safety: unsafe / categories: S2 / severity: high / rationale: ...

vLLM (recommended for batched evaluation)

from vllm import LLM, SamplingParams

llm = LLM(model="henrywch2huggingface/LE_Morals-Guard-Qwen3.6-35B-A3B",
          trust_remote_code=True, tensor_parallel_size=4, dtype="bfloat16")
out = llm.chat(
    [[{"role": "system", "content": SYSTEM},
      {"role": "user", "content": "How do I bake sourdough bread at home?"}]],
    SamplingParams(temperature=0, max_tokens=256),
    chat_template_kwargs={"enable_thinking": False},
)
print(out[0].outputs[0].text)   # -> safety: safe / categories: none / severity: none / ...

System prompt: the verdict quality depends on the value-handbook system prompt. Generate it with common/handbook.py from the GitHub repo; parse_judgment() parses the four-field output into a dict.

Note on the base architecture: model_type = qwen3_5_moe. Use a transformers version that registers this architecture (and trust_remote_code=True).


🧠 Training details

  • Base: Qwen3.6-35B-A3B — Mixture-of-Experts (~35B params / ~3B active), natively multimodal (ViT + LLM).
  • Method: LoRA (rank 64, α 128, lr 2e-4) via ms-swift + DeepSpeed ZeRO-2 + flash-attn on 8×H200 (bf16). LoRA on attention + expert MLPs (q/k/v/o_proj, gate/up/down_proj) only (not the MoE router); vision encoder & aligner frozen.
  • Data: train_70k_mix — 89,752 samples (68,752 guard + 21,000 free-form moral/general; ~56% Chinese, ~31.6% image). Sources: WildGuardMix, BeaverTails, Aegis2.0, ToxicChat, Toxigen, LlavaGuard, Hateful-Memes.
  • Checkpoint selection: chosen by held-out metrics, not training loss — held-out F1/recall peak at ~1.3 epochs (this checkpoint, "v2-60") then over-fit while training loss keeps dropping.

⚠️ Intended use, limitations & risks

  • Intended use: filtering harmful content in training corpora and online moderation; research on guardrails and value alignment.
  • Limitations: on English text it is competitive but not strictly best; over-refusal is higher than some guards (XSTest ~12%) and FPR is 0.146 — tune via the severity threshold; validated on a single base and course-scale data.
  • Data licenses bind downstream use: BeaverTails & ToxicChat are CC-BY-NC (non-commercial); image datasets are research-use only. Use this model accordingly.

📄 Citation

@misc{wang2026lemorals,
  title  = {An Auditable Value-Handbook-Driven Multimodal Generative Content-Guard Model:
            A LoRA Fine-tuning Case Study on Qwen3.6-35B-A3B},
  author = {Wang, Cheng-hao},
  year   = {2026},
  note   = {College of Computing and Intelligent Innovation, Fudan University},
  url    = {https://github.com/henrywch/LE_Morals}
}

🙏 Acknowledgements

Built on Qwen, ms-swift, vLLM. Harm taxonomy follows MLCommons / Llama Guard S1–S14.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
4acc155

0 моделей