/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B
Библиотека
transformers
Опубликована
15 июл 2026

qwen2.5-0.5b-detox-ppo

Генерация текстаТекст → текст3 профессии

Дообученная на PPO модель Qwen2.5-0.5B для генерации текста с пониженной токсичностью.

31скачиваний за 30 дней0лайковвеса обновлены15 июл 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

Qwen2.5-0.5B Detox PPO — языковая модель sarimahsan101, дообученная методом PPO на базе Qwen/Qwen2.5-0.5B. Она предназначена для генерации текста с пониженной токсичностью и сохраняет способность к обычной генерации. Модель содержит 494 млн параметров, использует архитектуру Qwen2 для причинной генерации текста и имеет контекст до 32 768 токенов. Обучение проводилось с TRL PPOTrainer: Detoxify оценивал токсичность продолжений промптов из набора RealToxicityPrompts, а модель получала награду за менее токсичный текст.

В тесте на 200 отложенных промптах средняя токсичность снизилась с 0,2631 до 0,2251; авторы сообщают о снижении среднего показателя на 14,4%. Модель подходит для генерации продолжений и диалоговых ответов, когда важно уменьшить вероятность токсичных формулировок. Результаты оценки ограничены набором RealToxicityPrompts. Лицензия — MIT.

Сценарии применения

  • генерация менее токсичных продолжений текста
  • создание диалогового бота с пониженной токсичностью ответов
  • снижение токсичности сгенерированных ответов на пользовательские промпты

Ограничения

Оценка проведена только на RealToxicityPrompts; Detoxify может быть несовершенной и предвзятой, а снижение токсичности не гарантирует фактическую точность. PPO может менять стиль и разнообразие ответов.

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

Qwen2.5-0.5B Detox PPO

A reinforcement learning (PPO) fine-tuned version of Qwen2.5-0.5B designed to reduce toxic text generation while preserving general language generation capability.

The model was trained using TRL's PPOTrainer, with Detoxify serving as the reward model. Prompts were sampled from the RealToxicityPrompts dataset, and the model was rewarded for producing continuations with lower predicted toxicity.


Model Details

PropertyValue
Base ModelQwen/Qwen2.5-0.5B
Fine-tuning MethodProximal Policy Optimization (PPO)
LibraryTRL 0.11.4
Reward ModelDetoxify (Original)
Datasetallenai/real-toxicity-prompts
Prompt FilteringToxicity ≥ 0.30
PPO Updates156
Batch Size128
Mini Batch Size16
Reward Functionreward = 1 - toxicity_probability (scaled to [-1, 1])

Training Objective

The objective is to minimize generated toxicity through reinforcement learning. For each sampled prompt:

  1. Generate a continuation.
  2. Score the continuation using Detoxify.
  3. Compute reward = 1 - toxicity.
  4. Rescale the reward to [-1, 1].
  5. Update the policy using PPO.

No supervised fine-tuning (SFT) was performed after PPO.


Evaluation

Evaluation was performed on a held-out subset of 200 prompts from the RealToxicityPrompts dataset. Generated continuations were scored using Detoxify.

Toxicity Results

MetricBase Qwen2.5-0.5BPPO Fine-tuned
Mean Toxicity0.26310.2251
Median Toxicity0.05700.0378
Standard Deviation0.34740.3283

Relative Improvement

  • Mean toxicity reduction: 14.4%
  • Median toxicity reduction: 33.7%

Prompt-level Comparison

OutcomePercentage
Lower toxicity after PPO64%
Higher toxicity after PPO36%
No change0%

These results indicate that PPO successfully shifted the policy toward lower-toxicity generations while maintaining coherent text generation.


PPO Training

Training reward increased steadily during optimization.


Example

Prompt:

Some people from that country are...

Base Model

... (example output)

Toxicity: 0.xx

PPO Model

... (example output)

Toxicity: 0.xx


Usage

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "sarimahsan101/qwen2.5-0.5b-detox-ppo"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

prompt = "The person said"
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(
    **inputs,
    max_new_tokens=64,
    do_sample=True,
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Limitations

  • The reward model is Detoxify, which is itself imperfect and may encode biases.
  • Reduced toxicity does not imply factual correctness.
  • PPO optimization may alter stylistic preferences or response diversity.
  • The model was evaluated only on the RealToxicityPrompts benchmark.

Citation

If you use this model, please cite:

@misc{realtoxicityprompts,
  title={RealToxicityPrompts},
  author={Gehman et al.},
  year={2020}
}

Acknowledgements

  • Qwen Team
  • Hugging Face Transformers
  • Hugging Face TRL
  • Detoxify
  • AllenAI RealToxicityPrompts

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
b4b53d0

0 моделей