/ Модель

Характеристики

Контекст
514 токенов
Параметры
454 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Базовая модель
roberta-large
Библиотека
transformers
Опубликована
29 июл 2026

CalibEval

Классификация текстаТекст → label

Модель на базе RoBERTa-large классифицирует безопасность сгенерированных текстовых продолжений для калибровки и оценки в ProbGuard.

7скачиваний за 30 дней0лайковвеса обновлены29 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

CalibEval — модель классификации последовательностей на базе RoBERTa-large, разработанная для использования в ProbGuard. Она оценивает сгенерированные продолжения текста и присваивает им метки безопасности при калибровке и оценке систем. Модель содержит 454,1 млн параметров, принимает текст с контекстом до 514 токенов и доступна в формате Safetensors через Transformers.

Модель предназначена для проверки безопасности текстовых продолжений в процессе калибровки и оценки. Базовая модель дообучена для классификации; README не описывает набор меток или подробности оценки качества. Лицензия — Apache-2.0.

Сценарии применения

  • Оценка безопасности сгенерированных продолжений
  • Разметка текстовых ответов для калибровки ProbGuard
  • Проверка текстовых генераций в ходе оценки модели

Ограничения

README не раскрывает набор классов и метрики качества. Контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CalibEval

CalibEval is a RoBERTa-large sequence-classification safety judge used by ProbGuard to label sampled continuations during calibration and evaluation.

Usage

from transformers import AutoModelForSequenceClassification, AutoTokenizer

repo_id = "hxz-sec/CalibEval"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForSequenceClassification.from_pretrained(repo_id)

The model outputs two labels for safety classification. In the EarlyGuard evaluation scripts, the unsafe probability is read from the positive class and thresholded at 0.5 by default.

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
RobertaForSequenceClassification
Ревизия весов
d0cf4f8

0 моделей