II.11Кибербезопасность и приватность

wangzhang/granite-4.1-30b-abliterated — производная языковая модель на архитектуре GraniteForCausalLM, созданная на основе IBM Granite 4.1 30B. В ней около 28,9 млрд параметров, она принимает текст и генерирует текст, поддерживает диалог и контекст до 131 072 токенов. Карточка указывает английский язык. Разработчик изменил веса методом abliteration: rank-1 правками в остаточном потоке существенно уменьшил склонность модели отказывать в ответах. Это редактура весов без дообучения и новых обучающих данных. Модель подходит для диалогов, генерации текста и исследований поведения отказов, а также для red-team-оценки. В описанной авторами проверке доля отказов на 200 вредоносных запросах снизилась с 98% у базовой модели до 10%, при этом авторы отмечают некоторое отклонение от исходной модели; стандартные бенчмарки ещё не проведены. Модель выпущена по лицензии Apache-2.0. Фильтрация безопасности существенно ослаблена: модель может выдавать вредоносные, незаконные, сексуально откровенные, предвзятые или фактически неверные ответы, включая опасные инструкции. Для использования необходимы подходящие защитные меры.

IMSyPP/hate_speech_nl — одноязычная модель классификации публикаций в социальных сетях на нидерландском языке. Она разработана на основе предварительно обученной языковой модели BERTje и дообучена для отнесения текста к одному из четырёх классов: приемлемый, неподобающий, оскорбительный или содержащий насилие. Модель обучали на 20 000 публикациях YouTube, Twitter и Facebook и проверяли на отдельной выборке из 2 000 публикаций. Модель использует архитектуру BERT для классификации последовательностей, принимает текст и выдаёт метку класса. Размер модели — 136,3 млн параметров, контекст — до 512 токенов. Для обработки текста рекомендуется токенизатор BERTje. Модель подходит для модерации нидерландоязычного контента в социальных сетях. Лицензия — MIT.

LightDec_V2 — компактная калиброванная модель принятия решений от Falcons.ai. Она кодирует вопрос, варианты ответа и входные данные одним последовательным представлением, а затем выбирает вариант с помощью permutation-equivariant головы FalconDec. Модель содержит около 0,16 млрд параметров и обрабатывает до 2 048 токенов за вызов; она выдаёт оценки вариантов, вероятности, уверенность и флаг defer, но не генерирует свободный текст. Модель предназначена для быстрых структурированных решений в программных системах: маршрутизации обращений, определения намерений, оценки приоритета, проверки записей на соответствие правилам, контроля шагов агента и первичной проверки безопасности. Поддерживаются выбор из закрытого набора вариантов, ответы да/нет и порядковая оценка; несколько вопросов можно задать для одного входа за один вызов. Лицензия — Apache-2.0. LightDec_V2 работает только на английском языке и всегда выбирает из предложенных вариантов, поэтому при отсутствии подходящего ответа следует включать вариант «none». Модель слаба в многошаговых рассуждениях, арифметике и переносе на незнакомые правила; обнаружение prompt injection и вредоносных запросов ненадёжно как единственная мера защиты. Точность и калибровку следует проверять на собственных данных.

Карточка модели aomujohn/nsfw-image-detection-384 на Hugging Face совпадает с карточкой Marqo/nsfw-image-detection-384, поэтому описание составлено по ней. Marqo/nsfw-image-detection-384 — компактная модель классификации изображений от Marqo, предназначенная для выявления материалов NSFW. Она принимает изображения размером 384×384 пикселя и использует патчи 16×16 пикселей. По заявлению разработчика, модель примерно в 18–20 раз меньше других открытых моделей такого назначения и достигла точности 98,56% на собственной тестовой выборке. Модель обучена на проприетарном наборе из 220 тысяч изображений: по 100 тысяч примеров NSFW и SFW для обучения и по 10 тысяч каждого класса для тестирования. Данные включают фотографии, рисунки, мемы и изображения, созданные ИИ. Порог вероятности NSFW можно настраивать, балансируя точность и полноту. Модель распространяется по лицензии Apache-2.0.

Модель hemekci/off_detection_turkish — дообученный BERT-классификатор для выявления оскорбительной лексики в турецких текстах, разработанный на базе PyTorch. Она относит текст к классу оскорбительного или неоскорбительного содержания и предназначена, в частности, для анализа публикаций в социальных сетях. Модель дообучена на 31 277 предложениях из Twitter; архитектура — BertForSequenceClassification с 211,6 млн параметров и контекстом до 512 токенов. В README приведены результаты проверки: точность 0,90 и MCC 0,633. Модель принимает текст на турецком языке и выдаёт метку класса. Репозиторий содержит веса PyTorch и Flax. Лицензия в предоставленных сведениях не указана.

Модель thu-coai/roberta-base-cold — дообученная для выявления оскорбительной речи версия hfl/chinese-roberta-wwm-ext. Она классифицирует китайские тексты по наличию оскорбительного содержания и предназначена для автоматической модерации и исследований по обнаружению токсичной речи. Модель построена на архитектуре BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны результаты на тестовой выборке COLDataset: точность 82,75% и macro-F1 82,39%. Модель опубликована авторами thu-coai; условия лицензии в доступных данных не приведены.

TAMEV-Small-ModernBERT — небольшая модель принятия решений и маршрутизации от Tamkimd, дообученная на базе Alibaba-NLP/gte-modernbert-base. Это энкодер, который оценивает переданные пользователем варианты и возвращает распределение вероятностей: выбор одного из нескольких вариантов, ответ «да/нет» или порядковую оценку. Модель не генерирует текст; состояние и каждый вариант кодируются отдельно, что обеспечивает инвариантность оценок к перестановке вариантов. Для каждого варианта используется отдельное окно до 64 токенов. Модель предназначена для маршрутизации запросов к инструментам и агентам, классификации намерений, первичной проверки безопасности и оценивания вариантов или критериев. В README заявлены точность top-1 84,07% и ECE 0,0378 на сбалансированном тестовом наборе из 19 999 примеров; производительность измерялась на одном CPU-потоке. Эти показатели относятся к данным и настройкам оценки автора и не гарантируют качество на других распределениях. Модель не подходит для генерации текста, ответов на фактические вопросы или использования как единственного непроверенного средства контроля безопасности. Лицензия — Apache-2.0.

VideoGuard-Qwen3.5-4B-Safety-RL-Uncensored — дообученная модель prithivMLmods на базе мультимодальной Qwen/Qwen3.5-4B. Она предназначена для анализа видеосцен и классификации потенциально небезопасного контента по категориям C1–C6, с выдачей описания сцены, объяснения и структурированных меток. В карточке указаны около 10 тысяч обучающих примеров для безопасности видео и рассуждения о сценах; метаданные отмечают обучение с подкреплением и формат safetensors. Модель подходит для фильтрации видеоконтента, оценки безопасности, тестирования защитных механизмов и исследований мультимодальных guardrail-систем. Метаданные указывают задачу video-text-to-text и поддержку английского языка. Модель распространяется по лицензии Apache-2.0.

VisionGuardrail-4B-GGUF — мультимодальная модель-классификатор безопасности визуального контента от prithivMLmods. Она основана на Qwen/Qwen3.5-4B и обучена на датасете ImageShield-Guardrail-Pro. Модель предназначена для анализа изображений с текстовым запросом и классификации материалов как Safe или Unsafe, прежде всего для выявления NSFW-контента, наготы, откровенной одежды, сексуально провокационных поз, эротических сцен и других чувствительных визуальных элементов. Заявленный язык — английский. Модель выпускается в формате GGUF с вариантами BF16 и квантованиями Q3–Q5; размер файла BF16 составляет 8,42 ГБ, а квантованных вариантов — примерно 2,07–3,07 ГБ. Для мультимодальной работы также предоставляется файл mmproj-bf16 размером 676 МБ. Сильной стороной является детализированный анализ одежды, степени открытости тела, поз, композиции и контекста изображения с консервативным подходом к классификации. При этом это экспериментальная версия, которая может демонстрировать непредсказуемое поведение и артефакты рассуждений; README не указывает размер контекста и метрики качества. Модель предназначена для исследовательских задач и модерации контента, а её использование должно соответствовать требованиям безопасности, этики и законодательства. Лицензия — Apache-2.0.

caeher/xlm-roberta-base-b2-sv — базовая модель XLM-RoBERTa, дообученная разработчиком caeher для многоклассовой классификации испаноязычных текстов на четыре категории: нейтральный текст, оскорбительная речь, язык ненависти и угрозы или насилие. Модель предназначена для анализа публикаций в социальных сетях и служит базовым вариантом для сравнения с моделями, специально обученными на таком языке. Это плотная модель XLM-RoBERTa для классификации последовательностей с 305,2 млн параметров и контекстом до 514 токенов; в описанном эксперименте длина входа ограничивалась 128 токенами. На тестовой выборке указаны macro-F1 0,7949 и accuracy 0,7957, а результаты состязательных и целевых проверок показывают, что качество зависит от формулировок и условий применения. Модель принимает текст и выдаёт метку класса с оценкой. Лицензия — MIT.

GroNLP разработала эту дообученную модель на базе BERT для выявления оскорбительной и неприемлемой лексики в нидерландских твитах. Она относится к архитектуре BertForSequenceClassification, содержит 136,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для классификации публикаций с оскорблениями, руганью, угрозами и прямыми или завуалированными нападками. В README приведены результаты на DALC v2.0, HateCheck-NL и OP-NL; метрики зависят от набора данных, а оценки на HateCheck-NL показывают, что модель может ошибаться при распознавании как оскорбительных, так и нейтральных примеров. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Hate-speech-CNERG/dehatebert-mono-english — англоязычная модель классификации текста для выявления hate speech. Её разработали авторы исследования о многоязычном распознавании языка ненависти; версия mono обучалась только на англоязычных данных и дообучена на multilingual BERT. Модель использует архитектуру BERT для классификации последовательностей, содержит 194,6 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для автоматической проверки англоязычных сообщений и публикаций на наличие языка ненависти, в том числе как компонента модерации или исследовательского анализа. В работе для лучшего результата на валидации использовалась скорость обучения 2e-5; указанный результат — 0,726030, без уточнения метрики в карточке. Распространяется по лицензии Apache-2.0.

Hate-speech-CNERG/dehatebert-mono-spanish — модель классификации текста для выявления ненавистнических высказываний на испанском языке. Она разработана для задачи обнаружения языка вражды и описана в работе «Deep Learning Models for Multilingual Hate Speech Detection», принятой на ECML-PKDD 2020. Модель построена на архитектуре BERT и дообучена на мультиязычной BERT-модели. В названии «mono» обозначает монолингвальную настройку: обучение проводилось только на данных английского языка, хотя модель предназначена для выявления языка вражды в испанском. Контекст составляет до 512 токенов; доступны версии в форматах PyTorch и Flax. В README приведён лучший результат валидации 0,740287 при скорости обучения 3e-5, но не указана метрика, поэтому это число не следует напрямую трактовать как точность. Модель распространяется по лицензии Apache-2.0; авторы просят цитировать научную работу при публикации результатов с её использованием.

Это портированная в Transformers модель S3PRL на базе HuBERT для идентификации говорящего в аудиозаписях. Она классифицирует каждое высказывание по личности говорящего из заранее заданного набора; в задаче SUPERB использовался набор VoxCeleb1. Модель содержит 113,3 млн параметров и принимает речь, записанную с частотой дискретизации 16 кГц. Модель предназначена для классификации речевых фрагментов по личности говорящего, например, в системах анализа записей или при оценке качества распознавания говорящего. Для модели приведена точность 0,8071 в реализации Transformers и 0,8142 в S3PRL на тесте. Это результаты конкретной постановки SUPERB и набора VoxCeleb1; они не гарантируют качество на других наборах данных и при неизвестном модели наборе говорящих. Лицензия — Apache-2.0.

KIMI-K3-DERISKED-CODER-REAP-320-MXFP4 — экспериментальная производная модель Blackfrost, созданная на основе Moonshot AI Kimi K3. Это модель генерации текста для программирования и проверок безопасности, включая red-team и adversarial testing в контролируемых средах. Модель использует архитектуру Kimi K3 LatentMoE с KDA. Эксперты были отобраны по частоте маршрутизации на задачах программирования: в каждом MoE-слое оставлены 320 из 896 экспертов, а маршрутизаторы настроены на этот набор. Веса сохранённых экспертов скопированы из родительской модели в формате MXFP4; дополнительного SFT или DPO не проводилось. Карточка заявляет, что сокращение отказов выполнено на уровне весов. По предварительным данным, качество генерации кода близко к родительской модели, но общие знания и китайский язык заметно ослаблены; результаты полного теста perplexity на Wikitext-2 также указывают на значительный спад. Автор предупреждает о сбоях декодирования, связности и сервинга под нагрузкой, поэтому модель предназначена для экспериментов, а не для готового производственного развёртывания. Указана лицензия «other»; перед использованием необходимо проверить её условия. Для модели рекомендована односерверная конфигурация с 8 ускорителями RTX 6000 класса 96 ГБ.

EllLaky/petri_esplicita_batteri — модель классификации изображений, созданная с помощью AutoTrain и дообученная на основе Falconsai/nsfw_image_detection. Она использует архитектуру ViT и содержит 113,2 млн параметров; назначение — распознавать категории изображений, связанные с NSFW-модерацией. В README приведены метрики на валидационной выборке: F1, точность, полнота, AUC и accuracy равны 1,0, однако состав выборки и методика оценки не описаны, поэтому эти результаты не гарантируют аналогичного качества на новых данных. Репозиторий содержит веса в формате safetensors. Сведения о лицензии, поддерживаемых языках и ограничениях использования не приведены в доступных материалах.

KoalaAI/Text-Moderation — модель классификации текста на базе DeBERTa-v3, предназначенная для обнаружения потенциально оскорбительного содержания. Она размечает тексты по категориям сексуального содержания, разжигания ненависти и насилия; в карточке также указаны оценки на тестировании: accuracy 75%, macro F1 0,326 и micro F1 0,749. Модель содержит около 151,8 млн параметров, имеет контекст до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Модель обучена только на английских текстах и рассчитана на английскую модерацию пользовательского контента. Её можно применять для предварительной сортировки сообщений и выявления контента, требующего проверки модератором. Метрики показывают ограниченное качество по отдельным классам; возможны ошибки и смещения, поэтому прогнозы не следует считать окончательным решением о нарушении. Лицензия — OpenRAIL.

acuvity/14.0.1-ms-marco-MiniLM-L6-v2 — англоязычный cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2, дообученный для выявления несоответствия действий ИИ-агента поставленной задаче. Модель классифицирует пару «задача — действие» как согласованную или несогласованную; в README указана бинарная классификация, а метаданные относят модель к text-classification и sentence-similarity. Архитектура — BERT с классификационной головой BertForSequenceClassification; размер по метаданным — 25,9 млн параметров, контекст — до 512 токенов. Модель построена на cross-encoder/ms-marco-MiniLM-L6-v2 и обучена с учителем на наборе acuvity/tool-use-alignment. README приводит высокие значения F1, AUPR и precision на тестах, но без полного описания протокола и данных эти результаты нельзя считать гарантией качества в новых сценариях. Модель предназначена для проверки соответствия действий агента его задаче и может использоваться как компонент защитного контроля или фильтрации. Для оценки применимости к конкретным агентам потребуется проверка на собственных примерах. Лицензия в предоставленных сведениях не указана.

ruanchaves/bert-base-portuguese-cased-hatebr — модель классификации текста на основе BERTimbau, дообученная для обнаружения оскорбительной речи на португальском языке. Она относит текст к одному из двух классов: неоскорбительный или оскорбительный. Модель предназначена для модерации португалоязычных текстов, например публикаций и пользовательских комментариев. Архитектура — BERT для классификации последовательностей; в модели 136,1 млн параметров, она принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель основана на neuralmind/bert-base-portuguese-cased и дообучена на наборе HateBR. Карточка указывает, что набор данных предназначен исключительно для академических и исследовательских целей; коммерческое и иное неакадемическое использование требует предварительного письменного согласия SINCH. Это условие следует учитывать при использовании модели.

Многоязычный классификатор текста на базе DistilBERT, разработанный Citizen Lab и дообученный на датасете Jigsaw Toxic Comment Classification Challenge. Модель предназначена для выявления токсичных комментариев и модерации пользовательского текста. Она использует архитектуру DistilBertForSequenceClassification, работает с текстом и поддерживает контекст до 512 токенов. В метаданных указана поддержка английского, нидерландского, французского, португальского, итальянского, испанского, немецкого, датского, польского и африкаанс. Модель опубликована в формате PyTorch. Данных о лицензии в предоставленных источниках нет.

Модель разработана Menglin Zhou, Jiaping Liu и Xiaotian Zhan: это дообученная с помощью LoRA компактная BERT-модель E5-small для классификации текста по происхождению. Она относит текст к написанному человеком или сгенерированному ИИ; метка 0 означает человеческий текст, метка 1 — сгенерированный ИИ. Модель содержит около 40 млн параметров, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. Модель предназначена для проверки текстов на признаки генерации ИИ и автоматической маркировки таких текстов в системах модерации или анализа контента. В карточке указано обучение на датасете RAID. Заявление о высокой точности приведено авторами, но численные результаты оценки не сообщены. Базовая E5-small описана как англоязычная, поэтому применение на других языках не подтверждено. Лицензия — MIT.

MUDES en-base — англоязычная модель семейства BERT для обнаружения токсичных фрагментов в текстах социальных сетей. Она представлена авторами системы MUDES (Multilingual Detection of Offensive Spans) и оценивалась на задаче Toxic Spans соревнования SemEval 2021, Task 5. Модель выполняет классификацию на уровне токенов и предназначена для выделения оскорбительных или токсичных фрагментов текста. Она содержит 135,5 млн параметров, использует контекст до 512 токенов и доступна в форматах PyTorch и Flax. Лицензия — Apache-2.0. Модель ориентирована на английские тексты и сообщения из социальных сетей. Карточка указывает на экспериментальную демонстрацию MUDES-UI; качество обнаружения может зависеть от языка, тематики и стиля текста, а оценка проводилась в рамках конкретного бенчмарка.

Carlosian разработал вариант Gemma-4-12B-IT с удалённым редактированием весов основным механизмом отказа модели. Это плотная модель семейства Gemma 4 для диалогов и генерации текста; базовая модель — google/gemma-4-12b-it. Редактирование выполнено методом biprojected clean-cone без дообучения на вредоносных данных. По README, в проверках отказов их частота снизилась на 97,5%, а заметного ухудшения связности не обнаружили. Модель предназначена прежде всего для исследований безопасности, red-teaming, интерпретируемости механизмов отказа и оценки поведения моделей без обычных отказов. Она также может выполнять общие задачи ассистента и творческой генерации. Карточка указывает английский язык; архитектура Gemma 4 поддерживает работу с изображениями, однако в метаданных этой модели основная задача отмечена как text-generation. Для работы требуется версия Transformers с поддержкой Gemma 4 и применение шаблона чата. Модель унаследовала знания, смещения и ошибки базовой Gemma-4-12B-IT. Некоторые мягкие отказы, особенно на запросах о самоповреждении и суициде, сохраняются; возможна чрезмерная готовность отвечать на запросы, которые базовая модель отклонила бы. Проверки охватывали ограниченный набор тестов. Репозиторий распространяется по Gemma Terms of Use и Gemma Prohibited Use Policy.

Freepik разработала эту модель для классификации изображений по уровню контента NSFW. Это дообученный vision transformer на архитектуре EVA, представленный через обёртку timm; модель различает четыре класса: нейтральный, низкий, средний и высокий уровень. В README указано, что для обучения использовались 100 000 синтетически размеченных изображений. Модель подходит для модерации изображений, включая изображения, созданные ИИ. Она может возвращать класс или вероятности классов; при необходимости результат можно свести к бинарному ответу о наличии NSFW-контента. Авторы сообщают о внутренних сравнениях с другими детекторами, однако приводят результаты на собственных наборах данных, поэтому они не гарантируют такую же точность на других распределениях изображений. Модель принимает изображения и выдаёт метки классов и оценки вероятностей. В README приведены показатели производительности на NVIDIA RTX 3090; фактическая скорость зависит от оборудования и способа подачи данных. Лицензия — MIT.

VideoGuard-Qwen3.5-9B-Safety-RL-Uncensored — экспериментальная мультимодальная модель prithivMLmods для анализа видео и классификации потенциально небезопасного содержания. Она дообучена на базе Qwen/Qwen3.5-9B на смеси примерно из 10 тысяч примеров безопасности видео и рассуждений о сценах. Модель формирует описание видео, объяснение результата и структурированную классификацию по категориям C1–C6, включая сексуальный контент, травлю, угрозы и насилие, обман, регулируемую деятельность и экстремизм. Модель предназначена для фильтрации и модерации видео, оценки безопасности мультимодальных систем и тестирования guardrail-сценариев. Архитектура — плотная Qwen3.5 с 9 млрд параметров; она принимает видеоданные и текстовые инструкции и выдаёт текст с описанием и классификацией. В карточке указан английский язык. Лицензия — Apache-2.0. Классификации могут быть ошибочными или непоследовательными: возможны ложные срабатывания и пропуски, а результат зависит от визуального контекста и формулировки запроса. Вывод следует считать прогнозом модели, а не окончательным заключением о безопасности.

Это предварительно обученная модель распознавания лиц ADAFace IR50 MS1MV2, опубликованная проектом CVLFace. Она извлекает признаки лица из входного изображения и предназначена для построения систем сравнения и распознавания лиц. Модель связана с исследовательской работой «AdaFace: Quality Adaptive Margin for Face Recognition» и обучена на наборе MS1MV2; для использования следует учитывать лицензию обучающих данных и цитировать исходную работу. В репозитории представлены веса в формате safetensors. Карточка не сообщает размер модели и численные ограничения качества; применение зависит от качества изображения и соблюдения условий лицензии обучающего набора.

ADAFACE IR50 WEBFACE4M — предварительно обученная модель распознавания лиц из набора CVLFace, опубликованная minchul. Она основана на архитектуре IR50 и обучена на наборе WebFace4M; в карточке указана связь с работой AdaFace о распознавании лиц с адаптивным отступом, учитывающим качество изображения. Модель предназначена для извлечения признаков лица, которые можно использовать для сравнения лиц и построения систем распознавания или верификации. Модель представлена в формате safetensors и доступна через Transformers. Карточка просит цитировать исходную работу и соблюдать лицензию обучающего набора данных. Подробные сведения о размере входа, метриках качества и условиях лицензирования самих весов в предоставленных материалах не описаны.

ADAFACE VIT BASE WEBFACE4M — предварительно обученная модель распознавания лиц из семейства CVLFace, опубликованная пользователем minchul. Она предназначена для извлечения признаков лицевых изображений и может служить основой для задач распознавания и сравнения лиц. В карточке указана связь с работой «An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale», посвящённой архитектуре Vision Transformer; формат весов — safetensors. В названии указаны ADAFACE, ViT-Base и обучающий набор WebFace4M. Метаданные задают задачу feature-extraction и язык en, однако модель работает с изображениями лиц, поэтому текстовый язык не является её основной модальностью. README просит цитировать исходную работу и соблюдать лицензию обучающего датасета; конкретные условия лицензии самой модели не приведены.

Это дообученная модель Umair Khan на базе Falconsai/nsfw_image_detection для классификации изображений по наличию NSFW-контента. Она использует архитектуру ViTForImageClassification и содержит 113,2 млн параметров. Модель принимает изображения и выдаёт метку класса; основное применение — автоматическая проверка изображений при модерации контента. В README указана точность 1,0 и потеря 0,0000 на оценочном наборе, однако состав и размер набора, схема классов и методика оценки не описаны, поэтому эти результаты не гарантируют такое же качество на новых данных. Модель распространяется по лицензии Apache-2.0.

ftan-2.5 — англоязычная модель классификации текста, разработанная akaruineko на основе DistilBERT и дообученная для обнаружения оскорбительного содержания. Она относит текст к одному из двух классов: clean или offensive. Модель предназначена для модерации контента, фильтрации сообщений и предварительной обработки наборов данных; её можно включать в конвейеры модерации через Transformers. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и выдаёт метку класса с оценкой. Контекст ограничен 512 токенами. При обучении использован набор akaruineko/fantastic-offensive примерно из 2,46 млн примеров с близким к равному распределением классов. Репозиторий распространяет веса в формате safetensors по лицензии MIT. Предсказания могут быть ошибочными, особенно когда оскорбительность зависит от контекста, намерения, цитирования, сарказма или переосмысленного употребления слов. Модель анализирует отдельный текст и не учитывает историю разговора, если она не включена во вход.