duanju-llm
детектор текстовых нарушений для коротких видео
2 мин чтения
Модель для токенового анализа текстов дистрибуции коротких сериалов (названий, описаний, обложек и тегов) находит шесть категорий нарушений с точностью до символьных смещений (span). Основана на архитектуре Microsoft Multilingual-MiniLM-L12 с урезанной до 20k词леммой и общим весом всего 29.3 млн параметров. Выдает не общий вердикт, а конкретные фрагменты текста, требующие внимания модератора или доработки. Благодаря экспорту в ONNX с динамическим int8 квантованием модель работает исключительно на CPU и потребляет минимум ресурсов.
Ключевые особенности
- Шесть категорий: определяет экстремальные формулировки, преувеличения, призывы к оплате, заимствование имен, вульгарность и суеверия.
- Легковесный ONNX: модель весом около 29.5 МБ запускается без тяжелых фреймворков вроде PyTorch.
- Высокая скорость: обеспечивает низкую задержку на CPU (около 6 миллисекунд на инференс) и высокую пропускную способность.
- Инструмент подсказок: спроектирован для работы с высокой полнотой (high-recall), выполняя роль ассистента, а не жесткого блокировщика.
Что можно сделать
- Интеграция в модерацию: внедрить в пайплайн проверки описаний или рекламных материалов коротких видео для быстрой подсветки рискованных фрагментов.
- Автоматические подсказки редакторам: подсвечивать авторам спорные слова и фразы прямо во время ввода текста в веб-интерфейсе или боте.
- Аудит контента: пакетно сканировать базы данных текстов для выявления потенциальных триггеров и запрещенных формулировок.
Пример
import json, numpy as np, onnxruntime as ort
from tokenizers import Tokenizer
MODEL_DIR = "fexeak/duanju-llm"
LABELS = ["induce_payment", "piggyback", "superstition_threat",
"vulgar_suggestive", "exaggeration_promise", "extreme_wording"]
tok = Tokenizer.from_file(f"{MODEL_DIR}/tokenizer.json")
sess = ort.InferenceSession(f"{MODEL_DIR}/model_int8.onnx", providers=["CPUExecutionProvider"])
# Пример базовой инициализации и инференса для поиска нарушений
print("Модель успешно загружена и готова к детекции")
Подробнее
Метрики (F1): ONNX int8 показывает 74.53 (лучше исходного fp32 благодаря дообучению/квантованию).Железо: чистый CPU, потребление памяти RSS около 650 МБ.
Ограничения: экспериментальная версия на синтетических данных; ручные сложные формулировки могут давать пропуски в категории преувеличений.










Комментарии