Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: Apache 2.0
Архитектура: xlm-roberta · dense
Базовая модель: bias-detector
Библиотека: transformers
Опубликована: 18 фев 2026

Ссылки

Hugging Face

multilingual-bias-detector

himel7

Классификация текстаТекст → label3 профессии

Мультиязычный классификатор выявляет языковую предвзятость в новостных текстах на 15 языках.

154скачиваний за 30 дней0лайковвеса обновлены22 фев 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

Мультиязычная модель Himel Ghosh для выявления языковой предвзятости в новостных текстах. Это классификатор последовательностей на архитектуре XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов; модель обучена переносом знаний и дистиллирована из himel7/bias-detector. Поддерживает английский, бенгальский, хинди, немецкий, итальянский, французский, датский, испанский, арабский, урду, китайский, португальский, нидерландский, русский и японский языки.

Модель присваивает текстам метки наличия или отсутствия предвзятости. На тестовом наборе BABE автор приводит accuracy 0,826 и macro F1 0,8317 для английского, 0,781 и 0,7912 для хинди, 0,76 и 0,7757 для бенгальского. Карточка не приводит метрики для остальных заявленных языков, поэтому качество на них не подтверждено этими результатами. Распространяется по лицензии Apache-2.0.

Сценарии применения

проверка новостных высказываний на языковую предвзятость
анализ предвзятости в англоязычных новостях
классификация новостных текстов на хинди и бенгальском
мониторинг медиа-контента на нескольких языках

Ограничения

Приведённые метрики относятся только к тестовому набору BABE и трём языкам; результаты для остальных заявленных языков не указаны. Контекст ограничен 514 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for multilingual bias detector

A model that detects biases in news texts in several languages.

This model is distilled from himel7/bias-detector model on a xlm-roberta (multilingual) model base using Transfer Learning.

Model Details

On BABE Test Set in English: Accuracy- 0.826 Macro F1- 0.8317

On BABE Test Set in Hindi: Accuracy- 0.781 Macro F1- 0.7912

On BABE Test Set in Bengali: Accuracy- 0.76 Macro F1- 0.7757

You can add further metrics in other languages here...

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

Developed by: Himel Ghosh
Language(s) (NLP): English, Italian, German, etc.
Finetuned from model xlm-roberta: Distilled from himel7/bias-detector

Model Sources [optional]

Repository: [More Information Needed]
Paper [optional]: [More Information Needed]
Demo [optional]: [More Information Needed]

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: XLMRobertaForSequenceClassification
Ревизия весов: 5bafe5f