Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: roberta · dense
Базовая модель: nli-MiniLM2-L6-H768
Библиотека: transformers
Опубликована: 12 сен 2026

Ссылки

nli-MiniLM2-L6-H768-trustairlab-jailbreak-augmented

Классификация текстаТекст → label3 профессии

Дообученная модель классификации текста на базе cross-encoder MiniLM, потенциально адаптированная для работы с jailbreak-запросами.

138скачиваний за 30 дней0лайковвеса обновлены13 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

Модель leomaurodesenv/nli-MiniLM2-L6-H768-trustairlab-jailbreak-augmented разработана как дообученная версия cross-encoder/nli-MiniLM2-L6-H768. Это плотная модель семейства RoBERTa с архитектурой RobertaForSequenceClassification, содержащая 95,2 млн параметров и принимающая последовательности длиной до 514 токенов. Она предназначена для классификации текста; базовая модель определяет логическое отношение между парой предложений и поддерживает zero-shot-классификацию. Название указывает на адаптацию для выявления jailbreak-запросов, однако README не описывает конкретное назначение или обучающие данные, поэтому эту специализацию нельзя считать подтверждённой.

В README приведены результаты оценки: loss 0,1679 и accuracy 0,9490; набор данных и методика оценки не раскрыты, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

классификация текстовых последовательностей
определение логического отношения между парами предложений
zero-shot-классификация текста
потенциальное выявление jailbreak-запросов

Ограничения

README не раскрывает обучающий датасет, конкретное назначение дообучения и методику оценки; заявленные метрики не позволяют оценить переносимость на другие данные. Англоязычная специализация следует из описания базовой модели.

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 I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nli-MiniLM2-L6-H768-trustairlab-jailbreak-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: 0.1679
Accuracy: 0.9490

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
gradient_accumulation_steps: 2
total_train_batch_size: 16
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
0.5366	1.0	4240	0.2266	0.9145
0.3510	2.0	8480	0.1958	0.9325
0.1047	3.0	12720	0.2034	0.9328
0.1698	4.0	16960	0.1680	0.9491
0.2465	5.0	21200	0.1742	0.9483
0.1220	6.0	25440	0.1811	0.9515
0.0504	7.0	29680	0.1781	0.9529

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: 7676115