Naija Scam-Safe Aya v22
детектор мошенничества на нигерийских языках
2 мин чтенияобновлено
Компактный LoRA-адаптер (небольшая надстройка весом 30,7 МБ, меняющая поведение модели без изменения её основных весов) для проверки входящих сообщений на скам. Вы отправляете текст сообщения, а модель на том же языке выдаёт структурированный ответ из трёх строк: вердикт, причину и совет, что делать дальше. Адаптер построен на базе мультиязычной модели CohereLabs/tiny-aya-global (3,35 млрд параметров) от автора dexplorer21 и заметно превосходит базовую версию в распознавании мошенничества — доля найденных скам-сообщений выросла с 1/27 до 23/27. Подойдёт разработчикам чат-ботов, систем модерации и антифрод-фильтров для аудитории из Нигерии.
Ключевые особенности
- Работает на нигерийском пиджине, смеси английского с пиджином, а также на языках йоруба, хауса и игбо.
- Отвечает строго по шаблону:
Verdict: SCAM,NOT SCAMилиCAN'T HELP, затем объяснение (Why) и рекомендация (What to do). - Отказывается помогать в составлении мошеннических текстов (ни разу не сгенерировала скам-контент на тестах).
- Обучена методом SFT (дообучение на парах «вопрос — ответ») с помощью AlignTune на 183 синтетических примерах с rank 16 на слоях внимания q/k/v/o.
Что можно сделать
- Встроить в Telegram- или WhatsApp-бота для быстрой проверки подозрительных SMS и банковских уведомлений пользователями.
- Использовать как лёгкий классификатор входящих сообщений в локальных сервисах поддержки или маркетплейсах.
- Взять за основу для дообучения антифрод-адаптеров на компактных моделях линейки Aya под другие регионы.
Пример
Пользователь вставляет подозрительное сообщение на английском, пиджине, йоруба, хауса или игбо (в связке с системным промптом из scamsafe/prompts.py репозитория проекта). В ответ модель возвращает три строки на языке оригинала: Verdict: SCAM (или NOT SCAM / CAN'T HELP), блок Why с разбором признаков обмана и блок What to do с инструкцией по дальнейшим действиям.
Подробнее
На тестовом наборе из 47 сообщений верный вердикт вынесен в 33/40 случаев (против 9/40 у базовой модели), ложных срабатываний — 2/13, а на отложенной выборке из 38 сообщений модель дала 32/32 верных вердикта при 0/10 ложных срабатываний.Обучение заняло 3 эпохи на одной видеокарте Kaggle T4.
Ограничения: для йоруба, хауса и игбо использовалось по 5 тестовых примеров (проверены через Google Translate, без носителей); в одном из тестов модель посоветовала позвонить по номеру из фейкового SMS, а жалобы на кредитные приложения направляет в EFCC/CBN/NITDA вместо профильного регулятора FCCPC.
Лицензия: CC-BY-NC-4.0 (только для некоммерческого использования).










Комментарии