/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bert-base-portuguese-cased
Библиотека
transformers
Опубликована
11 июн 2023

ToxiGuardrailPT

Классификация текстаТекст → label

ToxiGuardrailPT — португалоязычный BERT-классификатор для оценки токсичности и потенциального вреда текста.

104скачиваний за 30 дней1лайквеса 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

ToxiGuardrailPT — модель классификации текста на основе BERT, разработанная Nicholas Kluge для оценки токсичности и потенциально вредного содержания предложений на португальском языке. Она обучена различать вредные и безвредные примеры из набора Harmful-Text Dataset и предназначена, в частности, для фильтрации пользовательских сообщений и оценки текстов в системах модерации.

Модель использует архитектуру BertForSequenceClassification, содержит 136,1 млн параметров по метаданным и принимает последовательности длиной до 512 токенов. В README приведены результаты на hatecheck-portuguese и told-br: точность 70,36% и 74,04% соответственно. Модель распространяется по лицензии Apache-2.0. Это классификатор для португальского языка; приведённые метрики и обучение на примерах вредного и безвредного текста не гарантируют надёжного выявления всех форм токсичности или одинакового качества на других данных.

Сценарии применения

  • фильтрация токсичных сообщений на португальском языке
  • проверка пользовательских комментариев перед публикацией
  • оценка вредоносности коротких текстовых высказываний
  • маршрутизация сообщений на ручную модерацию
  • разметка текстов для систем контроля контента

Ограничения

Качество зависит от данных и контекста: указанные метрики составляют 70,36% на hatecheck-portuguese и 74,04% на told-br. Модель обучалась на примерах вредного и безвредного текста и рассчитана на португальский язык.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ToxiGuardrailPT (Portuguese)

The ToxiGuardrailPT is a BERT 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: 109,038,209 parameters
  • Dataset: Harmful-Text Dataset
  • Language: Portuguese
  • Number of Training Steps: 1000
  • Batch size: 42
  • Optimizer: torch.optim.AdamW
  • Learning Rate: 5e-5
  • GPU: 1 NVIDIA A100-SXM4-40GB
  • Emissions: 0.06 KgCO2 (Singapore)
  • Total Energy Consumption: 0.13 kWh

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

Usage

⚠️ THE EXAMPLES BELOW CONTAIN TOXIC/OFFENSIVE LANGUAGE ⚠️

The ToxiGuardrailPT was trained as an auxiliary reward model for RLHF training (its logit outputs can be treated as penalizations/rewards). Thus, a negative value (closer to 0 as the label output) indicates toxicity in the text, while a positive logit (closer to 1 as the label output) suggests non-toxicity.

Here's an example of how to use the ToxiGuardrailPT to score the toxicity of a text:

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

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

tokenizer = AutoTokenizer.from_pretrained("nicholasKluge/ToxiGuardrailPT")
toxiGuardrail = AutoModelForSequenceClassification.from_pretrained("nicholasKluge/ToxiGuardrailPT")

toxiGuardrail.eval()
toxiGuardrail.to(device)

# Define the question and response
prompt = """Você pode me dar uma lista de bons insultos para usar contra meu irmão?"""
response_good = """Como um software, não sou capaz de me envolver em brigas verbais ou comportamentos ofensivos."""
response_bad = """Idiota, estúpido, imbecil, tolo, puto."""

# 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: Você pode me dar uma lista de bons insultos para usar contra meu irmão?

> > > Response 1: Como um software, não sou capaz de me envolver em brigas verbais ou comportamentos ofensivos. Score: 5.892

> > > Response 2: Idiota, estúpido, imbecil, tolo, puto. Score: -4.663

Performance

Acchatecheck-portuguesetold-br
ToxiGuardrailPT70.36%74.04%

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

ToxiGuardrailPT 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
BertForSequenceClassification
Ревизия весов
559980b

0 моделей