/ Модель

Характеристики

Контекст
512 токенов
Параметры
265 млн
Архитектура
bert · dense
Опубликована
27 июн 2026

hate-speech-muril

Классификация текстаТекст → label3 профессии

Дообученная MuRIL-модель классифицирует Hinglish- и англоязычные тексты на нейтральные и содержащие язык вражды или оскорбления.

18скачиваний за 30 дней0лайковвеса обновлены27 июн 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

SafeShield AI от Sourabh Saxena — модель классификации текста на основе дообученной MuRIL-base-cased, предназначенная для выявления языка вражды и оскорбительного содержания в Hinglish (смеси хинди и английского) и английском. Архитектура — BERT с головой классификации последовательностей; по метаданным модель содержит 264,8 млн параметров и принимает текст длиной до 512 токенов. README описывает два класса: NOT и HOF.

Модель подходит для предварительной фильтрации публикаций и помощи при модерации с проверкой человеком, а также для исследований токсичности в Hinglish. На тестовом наборе из 5 907 примеров указаны точность 73,90% и macro F1 0,7352. Хинди и английский перечислены в метаданных; основное назначение — Hinglish и английский текст.

Качество ниже на тонкой или контекстной враждебности; README также сообщает о частых ложных срабатываниях на очень коротких текстах и пропусках враждебных примеров средней длины. Результаты могут хуже переноситься на другие платформы, новые выражения, чистый хинди и другие языки. Автор рекомендует человеческий контроль и не советует использовать модель для полностью автоматической модерации или решений с юридическими последствиями. Лицензия в предоставленных данных не указана.

Сценарии применения

  • первичная фильтрация Hinglish-публикаций для модерации
  • поиск оскорбительного содержания в англоязычных комментариях
  • помощь модераторам при проверке постов из социальных сетей
  • исследование языка вражды в смешанных хинди-английских текстах

Ограничения

На тестовом наборе macro F1 составляет 0,7352; модель пропускает часть враждебных сообщений и часто ошибочно помечает очень короткие тексты. Она хуже подходит для чистого хинди, других языков, новых выражений и платформ, отличных от социальных сетей; выводы требуют проверки человеком.

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

SafeShield AI — Multilingual Hate Speech Detection

Model Python Framework License

Model Description

SafeShield AI is a fine-tuned MuRIL (Multilingual Representations for Indian Languages) model for detecting hate speech and offensive content in Hinglish (Hindi-English code-mixed) text.

Most hate speech classifiers are trained on monolingual English, but a significant volume of online abuse in India occurs in Hinglish — which standard tokenizers and models handle poorly. This model addresses that gap.

Model Architecture

Input Text (Hinglish/English)

↓

MuRIL Tokenizer (vocab: 197k tokens, covers Devanagari + Latin)

↓

MuRIL-base-cased (12 layers, 768 hidden, 12 heads, 237M params)

↓

[CLS] token embedding (768-dim)

↓

Dropout (0.1) + Linear(768 → 2)

↓

Softmax → [P(NOT), P(HOF)]

Labels

LabelIDMeaning
NOT0Non-hate, non-offensive content
HOF1Hate speech or Offensive content

Training Details

Dataset

  • Source: Code-Mixed Hinglish Hate Speech Detection Dataset
  • Size: 29,533 samples (after cleaning)
  • Split: 70% train / 10% val / 20% test
  • Class balance: NOT=53.7% / HOF=46.3% (nearly balanced, 1.16x ratio)
  • Languages: Hinglish, English, mixed

Preprocessing Pipeline

  • URL removal
  • @mention removal
  • Hashtag normalization (#BJP → BJP)
  • Emoji demojization (😂 → :face_with_tears_of_joy:)
  • Repeated character normalization (sooo → soo)
  • Repeated punctuation normalization (!!! → !)
  • Lowercasing

Hyperparameters

ParameterValue
Base modelgoogle/muril-base-cased
Max sequence length128
Batch size32
Learning rate2e-5
Epochs4 (early stop at 3)
Warmup ratio0.1
Weight decay0.01
OptimizerAdamW
SchedulerLinear warmup + decay
LossCrossEntropyLoss (balanced weights)

Training Infrastructure

  • Platform: Kaggle (free tier)
  • GPU: Tesla T4 x2
  • Training time: ~25 minutes

Evaluation Results

Test Set Performance (5,907 samples)

MetricNOTHOFMacro Avg
Precision0.73510.74440.7397
Recall0.80150.66680.7342
F1-Score0.76690.69740.7352
Support3,1642,7435,907

Overall Accuracy: 73.90%

Comparison with Baseline

ModelMacro F1Notes
TF-IDF + Logistic Regression0.7138Baseline
MuRIL Fine-tuned (ours)0.7352+3.0% relative gain

Confusion Matrix

Predicted NOT HOF Actual NOT [ 2513 651 ] HOF [ 926 1817 ]


Error Analysis & Known Limitations

Error Breakdown

TypeCountRateDescription
True Positive1,817-Correctly caught hate
True Negative2,513-Correctly passed clean
False Negative92633.76%Missed hate speech ← most dangerous
False Positive65120.58%Over-flagged clean content

Known Failure Modes

1. Implicit/Subtle Hate Speech The model struggles with hate speech that doesn't use explicit slurs or offensive vocabulary — sarcasm, dog whistles, and context-dependent toxicity are frequently missed.

2. Very Short Texts Texts under 50 characters have a 41.8% false positive rate. With minimal context, the model over-flags based on surface patterns.

3. Non-Hinglish Languages Croatian, Serbian, and other non-Hinglish texts are sometimes misclassified as hate speech despite MuRIL's multilingual training.

4. Medium-Length Hate Speech (101-150 chars) The worst false negative rate (48.7%) occurs in the 101-150 character range — nearly half of hate speech in this length is missed.

5. Confidence Calibration

  • Below 0.60 confidence: only 56-66% accurate (borderline territory)
  • Above 0.65 confidence: 87-96% accurate (reliable zone)

Recommended Production Thresholds

if confidence >= 0.65:
    # Auto-classify — reliable (87-96% accurate)
elif 0.60 <= confidence < 0.65:
    # Auto-classify with logging
else:  # confidence < 0.60
    # Route to human review queue

How to Use

Direct Inference

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# Load model
tokenizer = AutoTokenizer.from_pretrained("sourabh5500/hate-speech-muril")
model = AutoModelForSequenceClassification.from_pretrained(
    "sourabh5500/hate-speech-muril"
)
model.eval()

def predict(text: str) -> dict:
    inputs = tokenizer(
        text,
        return_tensors="pt",
        max_length=128,
        truncation=True,
        padding=True
    )
    with torch.no_grad():
        outputs = model(**inputs)
        probs = torch.softmax(outputs.logits, dim=1)[0]

    label_id = probs.argmax().item()
    return {
        "label": model.config.id2label[label_id],
        "confidence": probs[label_id].item(),
        "scores": {
            "NOT": probs[0].item(),
            "HOF": probs[1].item()
        }
    }

# Test
print(predict("yaar tu bahut bura insaan hai"))
print(predict("aaj ka din bahut acha tha"))

Using the API

curl -X POST "https://your-api-url/predict" \
     -H "Content-Type: application/json" \
     -d '{"text": "yaar tu bahut bura insaan hai"}'

Bias & Fairness Considerations

  1. Language bias: Trained primarily on Hinglish/English. Performance degrades on pure Hindi (Devanagari script) or other Indian languages.
  2. Topic bias: Dataset sourced from Twitter/social media — may not generalize to other platforms (WhatsApp, YouTube comments).
  3. Annotator bias: Human annotations inherently reflect annotator demographics and perspectives. Hate speech labeling is subjective.
  4. Recency bias: Training data has a cutoff date. New slang and emerging hate speech patterns won't be captured.
  5. Class bias: Despite near-balanced dataset (1.16x), HOF recall (0.667) is lower than NOT recall (0.802).

Intended Use

✅ Appropriate uses:

  • Content moderation assistance (human-in-the-loop)
  • Research on Hinglish hate speech
  • First-pass filtering with human review for borderline cases
  • Academic study of multilingual toxicity detection

❌ Inappropriate uses:

  • Fully automated moderation without human oversight
  • Legal or punitive decisions based solely on model output
  • Languages other than Hinglish/English
  • Real-time high-stakes moderation without threshold tuning

Project Structure

SafeShield AI/

├── src/

│ ├── data/

│ │ ├── preprocessor.py

│ │ └── loader.py

│ └── models/

│ └── baseline.py

├── notebooks/

│ ├── 01_eda.ipynb

│ ├── 02_preprocessing.ipynb

│ ├── 03_baseline.ipynb

│ ├── 04_muril_finetune.ipynb

│ ├── 05_muril_improved.ipynb

│ └── 06_error_analysis.ipynb

├── api/

├── app/

├── results/

└── MODEL_CARD.md

Citation

@misc{saxena2025safeshield,
  author = {Sourabh Saxena},
  title = {SafeShield AI: Multilingual Hate Speech Detection for Hinglish Text},
  year = {2025},
  publisher = {HuggingFace},
  url = {https://huggingface.co/sourabh5500/hate-speech-muril}
}

Author

Sourabh Saxena B.Tech CSE (AI/ML) — IMS Engineering College GitHub: sourabh-550 HuggingFace: sourabh5500


This model is intended as a research tool. Always use human oversight for content moderation decisions. The author is not responsible for misuse of this model.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForSequenceClassification
Ревизия весов
4785ef9

0 моделей