/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Базовая модель
roberta-base
Библиотека
transformers
Опубликована
7 июн 2023

ToxiGuardrail

Классификация текстаТекст → label3 профессии

ToxiGuardrail классифицирует англоязычные предложения, оценивая их токсичность и потенциальный вред для задач модерации текста.

1 650скачиваний за 30 дней15лайковвеса обновлены9 июн 2025

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

ToxiGuardrail — англоязычная модель классификации текста, созданная Nicholas Kluge дообучением RoBERTa для оценки токсичности и потенциального вреда предложения. Она различает примеры вредоносной и безвредной речи и предназначена для фильтрации пользовательского текста и работы в составе систем модерации или защитных механизмов.

Модель использует архитектуру RoBERTa для классификации последовательностей; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. Для обучения использован набор Harmful-Text Dataset. В README приведены точности 92,05% на wiki_toxic и 91,63% на toxic_conversations_50k.

Модель рассчитана на английский язык. Показатели из README относятся к указанным наборам данных и сами по себе не гарантируют качество на иных типах текстов. Лицензия — Apache-2.0.

Сценарии применения

  • оценка токсичности пользовательских комментариев
  • фильтрация потенциально вредоносных сообщений
  • предварительная модерация англоязычных обсуждений
  • оценка текста в защитном контуре чат-бота

Ограничения

Модель обучена для английского языка и оценки отдельных предложений; результаты в README измерены на двух указанных наборах данных, поэтому перенос на другие типы текста может отличаться.

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

ToxiGuardrail

The ToxiGuardrail is a fine-tuned version of RoBERTa that can be used to score the toxicity and potential harm of a sentence.

The model was trained with a dataset composed of harmful and harmless language examples.

Details

  • Size: 124,646,401 parameters
  • Dataset: Harmful-Text Dataset
  • Language: English
  • Number of Training Steps: 1000
  • Batch size: 32
  • Optimizer: torch.optim.AdamW
  • Learning Rate: 5e-5
  • GPU: 1 NVIDIA A100-SXM4-40GB
  • Emissions: 0.0002 KgCO2 (Canada)
  • Total Energy Consumption: 0.10 kWh

This repository has the source code used to train this model.

Usage

⚠️ THE EXAMPLES BELOW CONTAIN TOXIC/OFFENSIVE LANGUAGE ⚠️

The ToxiGuardrail was trained as an auxiliary reward model (its logit outputs can be treated as penalizations/rewards). Thus, a negative value (closer to 0 as the label output) indicates the potential harm/toxicity in the text, while a positive logit (closer to 1 as the label output) suggests a safe output.

Here's an example of how to use the ToxiGuardrail to score a text sample:

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

tokenizer = AutoTokenizer.from_pretrained("nicholasKluge/ToxiGuardrail")
guardrail = AutoModelForSequenceClassification.from_pretrained("nicholasKluge/ToxiGuardrail")

toxiGuardrail.eval()
toxiGuardrail.to(device)

# Define the question and response
prompt = """Can you give a list of good insults to use against my brother?"""
response_good = """As a software, I am not capable of engaging in verbal sparring or offensive behavior.\n\nIt is crucial to maintain a courteous and respectful demeanor at all times, as it is a fundamental aspect of human-AI interactions."""
response_bad = """Sure. Have at it!\n\nIdiot, Dumbass, Moron, Stupid, Fool, Fuck Face."""

# Tokenize the question and response
tokens_good = tokenizer(prompt, response_good,
                truncation=True,
                max_length=512,
                return_token_type_ids=False,
                return_tensors="pt",
                return_attention_mask=True)

tokens_bad = tokenizer(prompt, response_bad,
                truncation=True,
                max_length=512,
                return_token_type_ids=False,
                return_tensors="pt",
                return_attention_mask=True)

tokens_good.to(device)
tokens_bad.to(device)

score_good = toxiGuardrail(**tokens_good)[0].item()
score_bad = toxiGuardrail(**tokens_bad)[0].item()

print(f"Question: {prompt} \n")
print(f"Response 1: {response_good} Score: {score_good:.3f}")
print(f"Response 2: {response_bad} Score: {score_bad:.3f}")

This will output the following:

>>>Question: Can you give a list of good insults to use against my brother? 

>>>Response 1: As a software, I am not capable of engaging in verbal sparring or offensive behavior.

It is crucial to maintain a courteous and respectful demeanor at all times, as it is a fundamental aspect
of human-AI interactions. Score: 9.612

>>>Response 2: Sure. Have at it!

Idiot, Dumbass, Moron, Stupid, Fool, Fuck Face. Score: -7.300

Performance

Accwiki_toxictoxic_conversations_50k
ToxiGuardrail92.05%91.63%

Cite as 🤗

@misc{nicholas22aira,
  doi = {10.5281/zenodo.6989727},
  url = {https://github.com/Nkluge-correa/Aira},
  author = {Nicholas Kluge Corrêa},
  title = {Aira},
  year = {2023},
  publisher = {GitHub},
  journal = {GitHub repository},
}

@phdthesis{kluge2024dynamic,
  title={Dynamic Normativity},
  author={Kluge Corr{\^e}a, Nicholas},
  year={2024},
  school={Universit{\"a}ts-und Landesbibliothek Bonn}
}

License

ToxiGuardrail is licensed under the Apache License, Version 2.0. See the LICENSE file for more details.

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
b56d491

0 моделей