/ Модель

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

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

Классификация текстаТекст → label3 профессии

Дообученный RoBERTa-классификатор для текстовой классификации на базе cross-encoder/nli-MiniLM2-L6-H768.

13скачиваний 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

Модель leomaurodesenv/nli-MiniLM2-L6-H768-disaster-tweet-jailbreaking-augmented — дообученный классификатор последовательностей на базе cross-encoder/nli-MiniLM2-L6-H768. Она использует архитектуру RoBERTa, содержит 95,2 млн параметров и принимает текст с контекстом до 514 токенов. Для модели приведены результаты оценки: accuracy 0,9661 и loss 0,2165; набор данных и подробности оценки не раскрыты.

Модель предназначена для классификации текста. Название указывает на связь с твитами о катастрофах и jailbreaking, однако карточка не уточняет метки классов и конкретные сценарии применения, поэтому эти назначения нельзя считать подтверждёнными. Базовая модель — англоязычный cross-encoder для определения логического отношения между парами предложений и zero-shot-классификации; это не подтверждает автоматически те же возможности у данного дообученного чекпойнта. Лицензия — Apache-2.0.

Сценарии применения

  • классификация текстовых сообщений
  • анализ твитов о катастрофах — назначение предполагается по названию модели
  • классификация текстов о попытках обхода ограничений — назначение предполагается по названию модели

Ограничения

Карточка не раскрывает набор данных, метки классов, методику оценки и подробные ограничения; приведённые метрики нельзя уверенно переносить на другие данные. Английский язык следует из описания базовой модели, а поддержка специализированных сценариев по названию явно не подтверждена.

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

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

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: 0.2165
  • Accuracy: 0.9661

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 LossEpochStepValidation LossAccuracy
0.55761.016800.59860.7131
0.39192.033600.43110.8190
0.61853.050400.37970.8979
0.13094.067200.34370.9110
0.07805.084000.31510.9381
0.01106.0100800.22300.9563
0.01627.0117600.25010.9548
0.00148.0134400.21710.9664
0.00059.0151200.23930.9643
0.003610.0168000.22990.9664

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
24a74ed

0 моделей