/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
265 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
9 июл 2026

Ссылки

Hugging Face

malayalam-fake-news-detector-muril

manasyy
Классификация текстаТекст → label3 профессии

Дообученная на MuRIL модель классифицирует новостные тексты на малаялам как реальные или фальшивые.

9скачиваний за 30 дней0лайковвеса обновлены10 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

Malayalam Fake News Detector (MuRIL) — модель классификации текста, разработанная Manasi и дообученная на базе MuRIL. Она относит новостные статьи на малаялам к классам REAL или FAKE и предназначена для обнаружения подозрительных публикаций, исследовательских и учебных проектов, а также для включения в конвейеры проверки фактов.

Модель основана на архитектуре BERT для классификации последовательностей, содержит 264,8 млн параметров и принимает текст длиной до 512 токенов. Для обучения использовался подготовленный набор публичных новостных данных на малаялам и синтетических примеров. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers.

Предсказание отражает сходство текста с примерами REAL и FAKE и не заменяет проверку фактов по надёжным источникам. Качество зависит от разнообразия и качества обучающих данных; актуальные утверждения следует проверять отдельно. Лицензия — Apache-2.0.

Сценарии применения

  • классификация новостных статей на малаялам как REAL или FAKE
  • предварительный отбор подозрительных публикаций для проверки фактов
  • анализ дезинформации на малаялам в исследовательских проектах
  • учебные проекты по классификации новостного текста

Ограничения

Модель оценивает, похож ли текст на фальшивую или реальную новость, но не заменяет проверку фактами по надёжным источникам. Качество зависит от качества и разнообразия обучающих данных, а актуальные утверждения требуют отдельной проверки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейI.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Malayalam Fake News Detector (MuRIL)

This repository contains a fine-tuned MuRIL (Multilingual Representations for Indian Languages) model for Malayalam Fake News Detection.

Model Description

The model classifies Malayalam news articles into:

  • REAL
  • FAKE

It was fine-tuned using a curated dataset consisting of public Malayalam news data and carefully generated synthetic examples for fake news detection.

Usage

from transformers import AutoTokenizer, AutoModelForSequenceClassification

MODEL_ID = "manasyy/malayalam-fake-news-detector-muril"

tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
model = AutoModelForSequenceClassification.from_pretrained(MODEL_ID)

Intended Use

This model is intended for:

  • Malayalam fake news detection
  • NLP research
  • Academic projects
  • Fact verification pipelines

Limitations

  • The model predicts whether text resembles fake or real news but should not be considered a substitute for evidence-based fact checking.
  • Performance depends on the quality and diversity of the training data.
  • Real-time claims should still be verified against reliable news sources.

Author

Manasi

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
BertForSequenceClassification
Ревизия весов
6517be2

0 моделей

    Создать бенчмарк