Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: roberta · dense
Базовая модель: nli-MiniLM2-L6-H768
Библиотека: transformers
Опубликована: 21 авг 2026

Ссылки

nli-MiniLM2-L6-H768-disaster-tweet-jailbreaking

Классификация текстаТекст → label3 профессии

Дообученный cross-encoder MiniLM для классификации текста, предположительно связанной с постами о бедствиях и jailbreak-запросами.

10скачиваний за 30 дней0лайковвеса обновлены21 авг 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

leomaurodesenv дообучил cross-encoder/nli-MiniLM2-L6-H768 для классификации текстов. По названию репозитория модель связана с постами о стихийных бедствиях и jailbreak-запросами, однако README не описывает её назначение, метки классов или обучающие данные. Это плотная модель семейства RoBERTa с архитектурой RobertaForSequenceClassification, содержащая 95,2 млн параметров и принимающая последовательности длиной до 514 токенов.

Базовая модель предназначена для определения логического отношения между парой предложений и zero-shot-классификации; конкретные возможности дообученной версии сверх задачи классификации не подтверждены. Модель опубликована в формате safetensors под лицензией Apache-2.0. В README приведены результаты оценки: accuracy 0,6536 и loss 0,6495; состав и методика оценки не описаны, поэтому эти значения не позволяют надёжно судить о качестве для конкретного применения.

Сценарии применения

Классификация текста по меткам модели
Экспериментальная классификация твитов о стихийных бедствиях
Экспериментальная классификация jailbreak-запросов

Ограничения

Назначение меток, обучающий датасет и протокол оценки не описаны; приведённая accuracy составляет 0,6536. Англоязычная базовая модель и контекст до 514 токенов могут ограничивать применение к другим языкам и длинным текстам.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nli-MiniLM2-L6-H768-disaster-tweet-jailbreaking

This model is a fine-tuned version of cross-encoder/nli-MiniLM2-L6-H768 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.6495
Accuracy: 0.6536

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Use adamw_torch_fused with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 50
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.5734	1.0	243	0.6503	0.6536
0.4968	2.0	486	0.7471	0.6247
0.4232	3.0	729	0.7203	0.6969
0.4009	4.0	972	1.0772	0.6309

Framework versions

Transformers 5.2.0
Pytorch 2.10.0+cu128
Datasets 4.5.0
Tokenizers 0.22.2

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: 8179576