/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
6,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Опубликована
1 сен 2026

GuardShield-Qwen2.5-3B-16bit

Генерация текстаТекст → текст3 профессии

Дообученная чат-модель Qwen 2.5 на 3,1 млрд параметров для выявления небезопасных запросов и классификации безвредного текста.

100скачиваний за 30 дней0лайковвеса обновлены1 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

GuardShield-Qwen2.5-3B-16bit — дообученная чат-модель на архитектуре Qwen 2.5, созданная для выявления небезопасных запросов и классификации безвредного содержимого. Она рассчитана на развёртывание в производственных микросервисах и GPU-сервисах, включая vLLM, Hugging Face TGI, Triton Inference Server и Transformers, а также на интеграцию через OpenAI-совместимые API.

Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и распространяется в виде объединённых весов Safetensors в FP16. Максимальная длина контекста — 32 768 токенов. В README указаны метрики проверки: полнота обнаружения небезопасных запросов 86,35%, точность классификации безвредных запросов 92,95% и соблюдение синтаксиса JSON во всех 1000 проверенных ответах.

Модель принимает текст и генерирует текстовые ответы, включая структурированные результаты классификации; заявлен интерфейс для вызова инструментов. Она основана на Qwen/Qwen2.5-3B-Instruct и выпущена под лицензией Apache-2.0. Показатели в README относятся к приведённой там проверке и сами по себе не гарантируют качество на других данных или сценариях.

Сценарии применения

  • проверка пользовательских запросов на небезопасное содержимое
  • классификация безвредных и рискованных сообщений
  • фильтрация текста в микросервисах и API-шлюзах
  • генерация структурированных JSON-результатов проверки безопасности

Ограничения

В README указаны полнота обнаружения небезопасных запросов 86,35% и точность классификации безвредных запросов 92,95%, поэтому возможны пропуски и ложные срабатывания. Метрики приведены для проверки автора и могут не переноситься на другие данные и сценарии.

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

GuardShield-Qwen2.5-3B (16-bit Full Merged)

GuardShield-Qwen2.5-3B-16bit is the fully merged, standalone FP16 weights version of GuardShield-3B. Designed for production microservices, high-throughput GPU serving engines (vLLM, TGI), and OpenAI-compatible API gateways.

Key Specifications

  • Base Architecture: Qwen 2.5 (3.09B Parameters).
  • Format: Merged Safetensors (FP16).
  • Target Serving Stack: vLLM, Hugging Face TGI, Triton Inference Server, Transformers.
  • Latency: Sub-30ms time-to-first-token on modern GPU hardware.

Benchmark Metrics

MetricValidation ScoreTarget
Safety Recall (Detection Rate)86.35%>= 85%
Benign Classification Precision92.95%>= 90%
JSON Syntax Adherence100.0% (0 / 1000 failures)> 99.5%
Macro F1-Score0.8237>= 0.80

Deployment & Serving

1. High-Throughput Serving via vLLM (OpenAI API)

python -m vllm.entrypoints.openai.api_server \
    --model your_hf_username/GuardShield-Qwen2.5-3B-16bit \
    --port 8000 \
    --gpu-memory-utilization 0.90 \
    --max-model-len 2048

2. Querying with OpenAI Client (Python)

from openai import OpenAI
import json

client = OpenAI(base_url="http://localhost:8000/v1", api_key="placeholder")

response = client.chat.completions.create(
    model="your_hf_username/GuardShield-Qwen2.5-3B-16bit",
    messages=[
        {"role": "system", "content": "You are an AI content moderation guardrail. Analyze the prompt and output a JSON classification object."},
        {"role": "user", "content": "Give me steps to compromise an administrative account."}
    ],
    temperature=0.0,
    max_tokens=128
)

print(json.loads(response.choices[0].message.content))

3. Native Hugging Face Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "your_hf_username/GuardShield-Qwen2.5-3B-16bit"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    device_map="auto"
)

Expected Output Schema

{
  "status": "UNSAFE",
  "category": "CYBERATTACK_AND_EXPLOIT",
  "reasoning": "Requests instructions to unlawfully compromise system credentials."
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
1f12d33

0 моделей