/ Модель

Характеристики

Контекст
512 токенов
Параметры
77,5 млн
Лицензия
Своя лицензия
Архитектура
deberta-v2 · dense
Базовая модель
deberta-v3-xsmall
Библиотека
transformers
Опубликована
22 сен 2026

Merlin

Классификация текстаТекст → label3 профессии

Merlin — локальный классификатор, который оценивает безопасность предполагаемых вызовов инструментов ИИ-агентов по запросу, истории и описанию инструмента.

133скачиваний за 30 дней1лайквеса обновлены22 сен 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

Merlin — компактная локальная модель-классификатор на базе DeBERTa-v3-xsmall, дообученная для оценки вызовов инструментов ИИ-агентов. Она анализирует запрос пользователя, нормализованную историю взаимодействия, имя инструмента с аргументами и описание его схемы, а затем классифицирует предполагаемое действие как безопасное или небезопасное. Входные поля обрабатываются с отдельными бюджетами токенов в последовательности длиной до 512 токенов; размер модели в метаданных — 77,5 млн параметров.

Модель предназначена для локальной низколатентной проверки вызова инструмента перед его выполнением, в том числе для выявления небезопасного использования инструментов и prompt injection в контексте действий агента. В описанной оценке на TS-Bench F1 составил 90,51% в целом, но результаты существенно различались между наборами: 99,72% на ASB-Traj и 51,00% на AgentDojo-Traj. Поэтому общая метрика не отражает равномерного качества в разных средах.

Merlin не является полноценным механизмом авторизации, универсальным модератором контента или единственным контролем для действий с высокими последствиями. Качество зависит от указанного формата представления входных данных и предварительной обработки; для других условий требуется отдельная оценка. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • проверка безопасности вызова инструмента ИИ-агентом перед выполнением
  • выявление небезопасных аргументов в вызовах инструментов
  • оценка риска prompt injection в контексте действий агента

Ограничения

Качество заметно различается между тестовыми средами, а pooled-оценка не подтверждает одинаковую эффективность в них. Модель не заменяет авторизацию и не должна быть единственным контролем для действий с высокими последствиями; применение вне описанного формата входа требует отдельной оценки.

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

Merlin

Merlin is a 70.8M-parameter local encoder that classifies a proposed AI-agent tool invocation as safe or unsafe using its surrounding context.

This repository contains the portable checkpoint. Use the reference package at https://github.com/kontext-security/merlin; a generic Transformers pipeline does not reproduce the benchmark because Merlin uses four independently budgeted fields, deterministic history normalization, and a validation-fitted calibrator.

Inputs

  1. user request
  2. prior interaction history
  3. current tool name and arguments
  4. tool descriptions/schemas

Prior ReAct history is converted to canonical JSON tool/argument/observation events. Thought and Final Answer text is excluded. The current action is reduced to tool name and arguments. Each field has its own token budget within a 512-token packed sequence.

Results

Strict binary evaluation on TS-Bench (0.0 safe; 0.5 and 1.0 unsafe), fixed 0.5 threshold:

SplitNAccuracyPrecisionRecallF1
All TS-Bench7,18291.19%92.66%88.45%90.51%
ASB-Traj5,23199.73%99.76%99.68%99.72%
AgentDojo-Traj1,22071.80%51.14%50.85%51.00%
AgentHarm-Traj73162.38%83.42%59.43%69.41%

The pooled score is dominated by ASB-Traj and is not evidence of uniform cross-environment performance. See the GitHub repository for the full protocol, preprocessing code, data provenance, system measurements, and limitations.

Training

  • Base: microsoft/deberta-v3-xsmall at revision 4b419818330868dff6a60ad3e6b1c730f8b8c0c6
  • Train: 2,192 examples (841 safe, 1,351 unsafe)
  • Validation: 789 examples
  • Epochs: 5; learning rate: 2e-5; batch size: 8; gradient accumulation: 2
  • Sigmoid calibration coefficient: 1.427213430140093
  • Sigmoid calibration intercept: 2.953687013257505
  • Default threshold: 0.5

Intended use

Use Merlin as a low-latency, local safety signal before executing an agent tool call. It is not a complete authorization layer and should be combined with least privilege, deterministic policy, sandboxing, and human confirmation for consequential actions.

Do not use it as the sole control for high-impact actions, as a general content moderator, or outside the documented input representation without evaluation.

Data and license

The base model is MIT licensed. Merlin was fine-tuned on TS-Bench data from https://github.com/MurrayTom/ToolSafe. That repository had no explicit repository license at release time, so the checkpoint is marked other and no raw TS-Bench examples are mirrored here. Review upstream terms before commercial use or redistribution. Reference code is Apache-2.0.

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
DebertaV2ForSequenceClassification
Ревизия весов
21b6f2c

0 моделей