II.11Кибербезопасность и приватность

RBergBauer подготовил RBergBauer/Qwen3.5-4B-MTP-Heretic — мультимодальную модель на архитектуре Qwen3.5-4B для диалога и понимания изображений. Это вариант Qwen/Qwen3.5-4B с ослабленным поведением отказа: с помощью heretic 1.4.0 изменены проекции языковой части модели, а веса не переобучались. Модель принимает текст и изображения и генерирует текст; сохранённая голова multi-token prediction поддерживает работу черновой модели для спекулятивного декодирования. Модель предназначена для исследований направлений отказа и выравнивания, локальных экспериментов с ослабленными ограничениями, red teaming и разработки средств оценки. В описанном тесте она отказала в 13 из 100 запросов из набора harmful_behaviors, тогда как исходная Qwen3.5-4B — в 99 из 100; автор отмечает, что использованный классификатор отказов основан на ключевых словах и не является полноценным бенчмарком. Модель может отвечать на вредоносные запросы, на которые исходная модель отказала бы, и не предназначена для доступа недоверенных пользователей без отдельного фильтра безопасности. Репозиторий содержит веса Transformers в формате safetensors, общим размером около 9,3 ГБ; лицензия — Apache-2.0. Совместимая GGUF-версия опубликована отдельно в репозитории RBergBauer/Qwen3.5-4B-MTP-Heretic-GGUF.

Qwen3.8-27B-Obliterated-E03 — текстовая производная модели Qwen, опубликованная manitcor на основе Qwen/Qwen3.8-27B. Это плотная авторегрессионная модель для генерации текста и диалогов; сохранена только текстовая часть, интерфейс обработки изображений и видео исходной модели не поддерживается. Число параметров в метаданных — 22,3 млрд, контекст — до 262 144 токенов, формат весов — BF16 Safetensors, библиотека — Transformers. Модель создана для исследований выравнивания, red teaming, механистической интерпретируемости и оценки вмешательств в поведение отказа. Экспериментальное вмешательство E03 значительно снизило частоту отказов: на финальной выборке она составила 1% (2 из 200). Проверка шести возможностей дала положительный результат для пяти, но это небольшие диагностические пробы, а не широкая оценка качества. Модель прошла заявленные пороги отбора по отказам и связности ответов. Поведение отказа намеренно ослаблено: модель может выполнять небезопасные, незаконные и нарушающие приватность запросы. В тестах также наблюдались повторяющиеся или нарушенные ответы; неудачной оказалась проба арифметического рассуждения с цепочкой мыслей. Английский указан как язык карточки, но перенос результатов на другие языки, длинный контекст, инструменты и мультимодальные сценарии не подтверждён. Лицензия — Apache-2.0.

LFTW R4 Target — модель классификации текста на базе архитектуры RoBERTa, связанная с исследованием Learning from the Worst: Dynamically Generated Datasets to Improve Online Hate Detection. Она предназначена для выявления оскорбительной и ненавистнической речи в тексте, в том числе в сценариях онлайн-модерации. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch и Safetensors. Модель рассчитана на англоязычные тексты. Карточка не сообщает подробностей о классах меток и показателях качества. Условия лицензии в предоставленных сведениях не указаны.

Модель dougtrajano/toxic-comment-classification — дообученная Doug Trajano версия BERT-Large для бразильского португальского языка. Она классифицирует текст по категориям токсичности, в том числе распознаёт оскорбительную речь и язык ненависти. Модель обучена на наборе OLID-BR; для оценки указаны accuracy 0,8547 и F1 0,8549. Модель содержит 433,2 млн параметров, принимает текст длиной до 512 токенов и выдаёт метки классификации. Опубликована в форматах PyTorch и Safetensors. Распространяется по лицензии Apache-2.0.

Многоязычный классификатор токсичности Görkem Yıldız на базе XLM-RoBERTa-base. Дообученная модель с архитектурой XLMRobertaForSequenceClassification содержит 305,2 млн параметров и предназначена для бинарной классификации текста на токсичный и нетоксичный. Модель рассчитана на тексты на турецком, арабском и английском языках. По данным карточки, F1 составляет 91,3%, точность — 91,2%, а результат стресс-теста — 97,7% на 266 примерах. Контекст модели — 514 токенов. Может применяться для первичной модерации текстов и выявления токсичных сообщений. Результаты классификации стоит проверять в контексте конкретного сервиса и языка. Распространяется по лицензии Apache-2.0.

jaranohaal/vit-base-violence-detection — модель Vision Transformer (ViT), дообученная на основе google/vit-base-patch16-224-in21k для классификации изображений на категории «насилие» и «без насилия». Она предназначена для автоматической проверки изображений в системах модерации контента, видеонаблюдения и родительского контроля. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors; в карточке указана точность 98,8% на тесте. Модель принимает изображения и выдаёт метку класса. Обучение проводилось на наборе Real Life Violence Situations. Указанная точность не гарантирует таких же результатов на других данных: карточка не описывает состав тестовой выборки и подробности оценки. Лицензия — Apache-2.0.

Ethical Eye — модель классификации текста, разработанная Khush Patel и Jayveersinh Raj из AutopilotAI. Она предназначена для выявления токсичных, оскорбительных, непристойных и иных потенциально вредных комментариев, чтобы помогать модерировать пользовательский контент и проверять ответы чат-ботов. Модель построена на архитектуре XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает текст и выдаёт метки классификации; заявлена поддержка множества языков, включая русский, английский, французский, хинди, испанский и китайский. Максимальный контекст — 514 токенов. Модель распространяется в форматах PyTorch и Safetensors через библиотеку Transformers. Её можно применять для первичной фильтрации комментариев в социальных сетях, форумах и образовательных или торговых платформах, а также как вспомогательную проверку ответов виртуальных ассистентов. Предсказания могут упускать контекстные нюансы и отражать смещения обучающих данных, поэтому модель не следует использовать как единственное основание для решений о пользователях или контенте; может потребоваться настройка под конкретный язык и область. Лицензия — Apache 2.0.

EIStakovskii/german_toxicity_classifier_plus_v2 — классификатор токсичности немецкого текста, разработанный EIStakovskii и дообученный на основе dbmdz/bert-base-german-cased. Модель построена на BERT и предназначена для присвоения тексту метки токсичности; её можно применять для модерации немецкоязычных сообщений и комментариев. Для входного текста используется контекст до 512 токенов. В карточке приведены результаты валидации: accuracy 0,913 и F1 0,911; также сообщается сравнение с Google Perspective API на двух наборах предложений, где результаты модели различались между наборами. Модель опубликована в форматах PyTorch и Safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория.

Millennium-Jev-0.5B — компактная модель принятия решений из экосистемы Millennium Open-Source, дообученная на Qwen/Qwen2.5-0.5B-Instruct. Она оценивает переданные в запросе варианты и выполняет классификацию за один проход без последовательной генерации токенов; заявлены двунаправленное внимание и предсказание с split-conformal калибровкой. Модель рассчитана на маршрутизацию запросов к инструментам и агентам, выбор действия, оценивание вариантов и первичную проверку безопасности. В README также приведены результаты для банковских намерений и китайского NLU. Для исполнения предусмотрен Tri-Gate протокол: автономное действие разрешается, когда множество допустимых вариантов однозначно, уверенность выше заданного порога и риск аномалии ниже заданного порога. README сообщает о задержке менее 50 мс и результатах на тестовых наборах, но они не гарантируют качество на новых данных. Репозиторий распространяется по лицензии Apache-2.0. Ограничения включают неспособность выполнять многошаговую арифметику и вычисления дат без внешней подготовки данных, уязвимость к инструкциям, маскирующим вредоносные команды, и возможную позиционную предвзятость при близких по оценке вариантах. Для безопасной маршрутизации README рекомендует предварительную проверку входов внешним кодом.

Модель BenjaminOcampo/model-hatebert__trained-in-ishate__seed-0 — англоязычный классификатор текста на архитектуре BERT, разработанный Benjamin Ocampo. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт метки классов. README приводит результаты на dev-наборе: accuracy 0,864; F1 для класса 0 — 0,889, для класса 1 — 0,825. По названию репозитория модель, вероятно, предназначена для выявления ненавистнического контента и обучена на основе HateBERT с использованием данных iHate. Однако README не раскрывает описание классов, данные обучения, базовую модель и прямые сценарии использования, поэтому назначение следует подтвердить перед практическим применением. Лицензия в карточке не определена.

akumaburn/Qwen3.8-27B-heretic-SmoothQuant-W8A8-INT8 — исследовательская INT8-квантизованная версия модели Qwen3.8-27B-heretic, производной от Qwen/Qwen3.8-27B. Модель разработана сообществом akumaburn на основе проекта Heretic; квантизация выполнена с использованием llm-compressor и compressed-tensors. Это мультимодальная модель с поддержкой текста и изображений, предназначенная для запуска и исследования в vLLM. Модель содержит 27 млрд параметров и использует схему W8A8: веса представлены в INT8 с поканальным симметричным GPTQ-квантованием, а активации — в динамическом INT8-формате с SmoothQuant. Для ускорения инференса на GPU Ampere без нативной поддержки FP8 применены QuaRot-ротация, SmoothQuant и GPTQ. В FP16 оставлены MTP-голова для speculative decoding, lm_head, embed_tokens, vision tower, рекуррентные вентили GatedDeltaNet и нормализации. В README указана конфигурация запуска с контекстом до 262144 токенов, двумя GPU и FP8 KV-кэшем; языки явно не перечислены. Сильными сторонами являются высокая вычислительная эффективность на Ampere, совместимость с INT8 tensor-core путём CUTLASS, малая потеря близости к исходной модели и поддержка speculative decoding. Главные ограничения — исследовательский статус, необходимость подходящей конфигурации vLLM и оборудования, а также отсутствие встроенного защитного выравнивания: модель намеренно не отказывается от опасных, незаконных и неэтичных запросов и не содержит модерации. Она предназначена для interpretability-исследований, red-teaming и оценки безопасности, а не для неконтролируемого пользовательского доступа. Указана лицензия Apache-2.0; модель предоставляется без гарантий, и ответственность за её использование несёт пользователь.

response-toxicity-classifier-base — русскоязычный классификатор сообщений на базе BERT, разработанный в Skoltech и дообученный в рамках стажировки в Tinkoff Никитой Степановым под руководством Александра Маркова. Модель обрабатывает текст диалога с учётом контекста и относит сообщение к одному из четырёх классов: приемлемое, токсичное, резко токсичное или затрагивающее рискованные чувствительные темы. В карточке Hugging Face указаны 190,7 млн параметров, контекст до 512 токенов и формат PyTorch. Модель предназначена для модерации русскоязычных интернет- и чатбот-диалогов, выявления оскорблений, агрессивных сообщений и высказываний на чувствительные темы. На приведённых в README проверочных данных F1 для класса приемлемых сообщений составляет 0,896–0,940; для остальных классов результаты варьируются от 0,295 до 0,729, поэтому качество обнаружения токсичных и рискованных сообщений неодинаково. Модель распространяется по лицензии MIT.

Модель s-nlp/roberta_toxicity_classifier разработана s-nlp и дообучена на базе FacebookAI/roberta-large для классификации токсичности текста. Она использует архитектуру RoBERTa и содержит 151,8 млн параметров; модель рассчитана на английский язык и принимает текстовые последовательности длиной до 514 токенов. Модель обучена на объединении англоязычных частей трёх наборов Jigsaw 2018, 2019 и 2020 годов, примерно на 2 млн примеров. Она подходит для выявления токсичных комментариев и модерации пользовательского текста. В README приведены результаты на тестовом наборе первого соревнования Jigsaw: AUC-ROC 0,98 и F1 0,76. Модель распространяется по лицензии OpenRAIL++. Качество зависит от порога классификации и данных применения; показатели из карточки относятся к тесту первого соревнования Jigsaw и не гарантируют аналогичных результатов на других типах текста.

Модель corzent/yolo11x_watermark_detection — дообученный детектор объектов на базе fancyfeast/joycaption-watermark-detection, созданный автором репозитория на основе YOLO11x. Она предназначена для обнаружения водяных знаков и логотипов на изображениях; размер входа — 1280 × 1280 пикселей. В README приведены показатели precision 0,896, recall 0,883 и mAP@50 0,900 на использованной автором оценке. Модель подходит для поиска и локализации водяных знаков и логотипов в изображениях и наборах изображений. Использует PyTorch и библиотеку Ultralytics. Репозиторий распространяется по лицензии MIT. Результаты на других данных могут отличаться; README не описывает состав набора данных и условия оценки.

Shushant/adal_v5_raid — классификатор текста на основе RoBERTa-large, обученный для определения, создан ли текст искусственным интеллектом или написан человеком. Модель использует подход RADAR (Hu et al., NeurIPS 2023) и дообучена на датасете RAID; в обучении применялись тексты от нескольких генераторов, включая ChatGPT, GPT-2, GPT-3, GPT-4, Cohere, Llama, Mistral и MPT. Модель рассчитана на проверку текстов с преобразованиями, призванными затруднить обнаружение: перефразированием, заменой синонимов, орфографическими изменениями, удалением артиклей и другими помехами. README сообщает макро AUROC 0,9782. Модель содержит 454,1 млн параметров, принимает текст и выдаёт метку класса; максимальный контекст — 514 токенов. Указанная лицензия — Apache-2.0. Это классификатор для английского языка; высокая метрика из карточки не гарантирует такую же точность на других типах текстов, новых генераторах или вне условий оценки. Вывод отражает оценку модели и не доказывает авторство конкретного текста.

Это модель для получения векторных представлений лиц, используемая в конвейере компьютерного зрения PULAO. Репозиторий содержит ONNX-версию ArcFace glintr100 от InsightFace: архитектура ResNet-100, обучение на Glint360K. Модель принимает цветной кадр лица RGB размером 112×112 и возвращает 512-мерный эмбеддинг, который можно сравнивать по косинусному сходству. Модель предназначена для сопоставления лиц и проверки, принадлежат ли два изображения одному человеку. Для работы требуется предварительно выделить лицо и соблюдать одинаковую нормализацию изображений при построении галереи и обработке запросов: смешивание схем нормализации ухудшает оценки сходства. README указывает применение для некоммерческих исследований и прототипирования; предобученные модели InsightFace предназначены только для некоммерческих исследовательских целей. Коммерческое использование и распространение требуют разрешения правообладателей.

BanglaHateBERT — модель классификации текста для выявления оскорбительной речи на бенгальском языке. Автор карточки — saroarj, модель опубликована в формате PyTorch для библиотеки Hugging Face Transformers. В метаданных указано семейство ELECTRA, класс BertForSequenceClassification, 137,8 млн параметров и контекст до 512 токенов. Модель предназначена для анализа бенгальских текстов и выявления abusive language. Её можно применять для первичной модерации пользовательских сообщений и разметки текста по наличию оскорбительной речи. Модель распространяется по лицензии OpenRail. Карточка не приводит метрик качества и подробностей о классах разметки или тестовом наборе; эти сведения следует проверить перед использованием в критичных сценариях.

Earlybird — англоязычный классификатор для определения, написан ли текст человеком или сгенерирован ИИ. Модель разработана Noumenon Labs на базе DistilRoBERTa и дообучена на наборе Mega-WORM, объединяющем несколько открытых коллекций. В метаданных указаны 95,2 млн параметров, архитектура RoBERTa для классификации последовательностей и формат safetensors. Модель предназначена для быстрой проверки текстов в системах модерации, проверки академической добросовестности и фильтрации спама. Она принимает текст и выдаёт метку класса; контекст составляет около 512 токенов. По данным README, точность на текстах от 100 слов выше, чем на коротких фрагментах, а заявленная общая точность — 89,43%. Лицензия — MIT. Модель нестабильна на текстах короче 100 слов, а формальный академический стиль может приводить к ложной классификации человеческого текста как сгенерированного ИИ.

Это модель SetFit для бинарной классификации текста, дообученная на основе многоязычной Microsoft Multilingual-MiniLM-L12-H384. Она сочетает Sentence Transformer на архитектуре BERT и классификационную голову SetFitHead; обучение использует контрастивную настройку эмбеддера и обучение классификатора на его признаках в режиме few-shot. Модель принимает текст длиной до 512 токенов и относит его к одному из двух классов. Примеры меток приведены на тамильском и малаялам и указывают на классификацию комментариев по содержанию, включая оскорбительные или непристойные высказывания. На указанной оценке точность составляет 0,6875, поэтому результаты требуют проверки на данных целевого применения. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

LukeJacob2023/nsfw-image-detector — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она распределяет изображения по пяти категориям: drawings, hentai, neutral, porn и sexy; обучена на пользовательском наборе примерно из 28 тысяч изображений. В README указаны точность 0,9316 и Accuracy K 0,9887 на оценочной выборке. Модель предназначена для автоматической маркировки изображений по категориям откровенного и обычного контента, например для фильтрации или модерации. Имеет около 113,2 млн параметров; доступна в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

OS-Software/Ornith-1.5-35B-A3B-heretic-ja — производная версия Ornith-1.5-35B-A3B, созданная с помощью abliteration: в слоях 14–28 существенно снижено safety-выравнивание модели. Это текстовая MoE-модель семейства Qwen3.5 с общим размером около 35 млрд параметров и активацией примерно 3 млрд параметров на токен; поддерживает диалоговый режим и вызов инструментов. В README указаны тестирование на японских наборах данных и оценка 2/100 по метрике Keywords против 100/100 у исходной модели. Модель предназначена для экспериментов по безопасности, изучения выравнивания и red-teaming, включая проверку ответов на японском языке. Для запуска описан сервер vLLM с контекстом до 262 144 токенов; исходная модель требует около 70 ГБ памяти в bf16. Репозиторий содержит веса safetensors. Лицензия — MIT. Из-за ослабления защит модель с большей вероятностью может выдавать вредные, неточные, предвзятые или оскорбительные ответы. Авторы не рекомендуют развёртывать её в публичных сервисах или системах для конечных пользователей; результаты следует проверять независимо.

IlyaGusev/rubertconv_toxic_clf — русскоязычная модель классификации текста, разработанная на основе rubert-base-cased-conversational. Она предназначена для выявления токсичных высказываний в пользовательских сообщениях и диалогах. Модель построена на архитектуре BERT с классификационной головой, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. При обучении использовались данные 2ch, Одноклассников, Toloka Persona Chat Rus и набор диалогов Козиева с токсичной лексикой; применялись аугментации текста, включая добавление опечаток, маскирование токсичных слов и изменение регистра. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

IvanFed разработал многоцелевой классификатор русскоязычных текстов на основе энкодера cointegrated/rubert-tiny2. Модель независимо оценивает вероятность ненормативной лексики, угроз и запросов о незаконных действиях с помощью трёх классификационных голов и сигмоидальных выходов. Модель предназначена для модерации русскоязычных комментариев и обнаружения оскорблений и угроз. Она обучена на наборе из 248 288 размеченных комментариев из ok.ru; на валидации F1 для ненормативной лексики составил 0,8945, для угроз — 0,7823. Для класса незаконных запросов датасет не содержит примеров, поэтому модель не умеет надёжно их выявлять. Модель использует PyTorch и распространяется по лицензии Apache-2.0. Обучение только на комментариях ok.ru ограничивает перенос качества на другие источники и типы текста.

K0D3IN/SmolLM3-3B-Instruct-heretic — изменённая методом abliteration версия инструктивной языковой модели SmolLM3-3B от Hugging Face. Репозиторий содержит плотную причинную модель на 3,1 млрд параметров в формате safetensors; она принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 65 536 токенов. В метаданных указан английский язык. Автор README сообщает, что методом abliteration удалены основные направления весов, связанные с отказами, а модель выбрана из 1000 вариантов оптимизации. Приведённый показатель отказов — 4 из 100 против 99 из 100 у исходной модели; независимые бенчмарки пока не представлены. Это делает модель пригодной прежде всего для исследований отказов и red-teaming, но снижает её безопасность для обычного применения. Указанная лицензия — Apache-2.0.

Модель Hate-speech-CNERG/tamil-codemixed-abusive-MuRIL разработана для выявления оскорбительной речи в текстах на тамильском языке, смешанном с другими языками. Это дообученная на датасете оскорбительной речи модель MuRIL на базе BERT, реализованная как классификатор последовательностей с 264,8 млн параметров и контекстом до 512 токенов. Модель относит текст к одному из двух классов: обычный («Normal») или оскорбительный («Abusive»). Она предназначена для классификации код-смешанных тамильских сообщений и исследований выявления оскорбительной речи в низкоресурсных индийских языках. Авторы связывают работу с публикацией о методах расширения обучающих данных для таких задач. Модель опубликована под лицензией AFL-3.0. Она специализируется на код-смешанном тамильском тексте; результаты за пределами этого сценария и качество на разных вариантах письма или смешения языков в карточке не описаны.

UniSpeech-SAT-Base — базовая самоконтролируемая речевая модель Microsoft на архитектуре UniSpeech-SAT, представленная в Transformers как модель предварительного обучения. Она содержит 113,2 млн параметров и обучена на 960 часах английской речи из LibriSpeech с частотой дискретизации 16 кГц, используя контрастивные цели для представления высказываний и говорящих. Модель предназначена для получения речевых представлений и адаптации к последующим задачам: распознаванию речи, классификации аудио, верификации и идентификации говорящего, а также диаризации. Для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных; сама модель предобучена только на аудио и не имеет токенизатора. Входной сигнал следует подавать с частотой 16 кГц. Карточка указывает на преимущественно английскую область применения, поэтому качество для других языков не гарантировано. Лицензия в предоставленных данных не указана.

Roblox voice-safety-classifier — модель классификации аудио на основе WavLM Base Plus, дообученная на 2 374 часах записей голосового чата для многометочной оценки нарушений правил. Она выдаёт оценки по шести категориям: ненормативная лексика, знакомства и сексуальные разговоры, расизм, травля, прочие нарушения и отсутствие нарушений; к категории прочих отнесены редкие случаи, включая упоминания наркотиков, алкоголя и самоповреждения. Модель предназначена для выявления потенциально небезопасного контента в голосовых чатах и исследований классификации токсичности. В README сообщается о средней точности average precision 94,48% для бинарной оценки четырёх основных категорий на размеченном наборе из 9 795 примеров; категория прочих в этой оценке не учитывалась. Модель содержит 113,3 млн параметров, распространяется в формате safetensors по лицензии CC BY-SA 3.0. Результаты классификации следует рассматривать как оценки для проверки, а не как безошибочное решение: качество для редких категорий отдельно не подтверждено приведённой оценкой.

Tabularis ModernBERT R1 — англоязычная модель классификации текста, разработанная Tabularis AI и дообученная на базе answerdotai/ModernBERT-base. Она определяет, похож ли входной текст на созданный искусственным интеллектом или человеком, и выдаёт вероятность класса AI. Модель использует архитектуру ModernBERT с классификационной головой и содержит 149 млн параметров; базовая модель поддерживает контекст до 8192 токенов, хотя обучение детектора проводилось с максимальной длиной последовательности 512 токенов. Модель рассчитана на выявление AI-текстов, в том числе при некоторых видах перефразирования и заменах слов. В README приведены результаты на тестовой части бенчмарка RAID: AUROC 0,9904 и TPR 0,9815 при FPR 5%. Для повышения устойчивости к некоторым Unicode-атакам авторы рекомендуют NFKC-нормализацию входа; заявленные улучшения после неё получены на локальной оценке. Модель выпущена под лицензией MIT. Это вероятностный классификатор, поэтому его оценку не следует трактовать как достоверное доказательство авторства текста. В README указаны потери качества при отдельных символьных атаках; конкретное применение требует проверки на целевых текстах и настройке порога под допустимую долю ложных срабатываний.

Модель gravitee-io/bert-mini-toxicity — компактный классификатор токсичности текста, разработанный Gravitee и дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Она относит текст к одному из двух классов: «токсичный» или «нетоксичный», например для модерации пользовательских сообщений и комментариев. Модель основана на BERT Mini, содержит около 12 млн параметров и рассчитана на последовательности до 512 токенов. Для работы доступны форматы Safetensors и ONNX. Карточка описывает обучение и оценку на нескольких языках; метаданные перечисляют поддержку английского, русского, украинского, немецкого, испанского, китайского, арабского, хинди, итальянского, французского, иврита и японского. В README приведены результаты тестирования, которые различаются по языкам. Компактный размер подходит для сценариев, где важны скорость и небольшие вычислительные затраты. Качество неодинаково для разных языков, поэтому результаты классификации могут требовать проверки и не должны трактоваться как универсальная оценка токсичности. Модель распространяется по лицензии OpenRAIL++.

JungleLee/bert-toxic-comment-classification — модель на базе BERT, дообученная для классификации токсичных комментариев. Она предназначена для анализа англоязычного текста и может использоваться для выявления токсичности в комментариях и пользовательских сообщениях. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Для обучения использовали 90% данных train.csv из соревнования Kaggle; на отложенной выборке из 1500 строк автор сообщает результат 0,95 AUC. Модель распространяется в формате PyTorch по лицензии AFL-3.0. Карточка не уточняет набор категорий токсичности и метрики качества для отдельных категорий.