сверхлёгкий детектор безопасности на 900 тыс. параметров
schedule 2 мин чтенияобновлено
Модель Censer.8 от KucLab представляет собой компактный классификатор текста на базе архитектуры LlamaForSequenceClassification, обученный с нуля для задач безопасности. Он определяет уровень токсичности (безопасно / небезопасно) и классифицирует угрозы по 10 категориям, включая оружие, вредоносное ПО и призывы к насилию. Чекпоинт весит всего 3.6 МБ, работает прямо на CPU и легко интегрируется через библиотеку transformers без загрузки стороннего кода. Новая версия исправляет недочёты прошлого выпуска: улучшена калибровка вероятностей, добавлены пороги для разных языков и встроен метод нарезки длинных документов на чанки (chunks).
Ключевые особенности
Компактность: всего 903,552 параметра и размер файла 3.6 МБ в формате fp32 (доступны fp16 и int8).
Быстрая работа: низкая задержка около 0.55 мс на CPU и 1.27 мс на GPU.
Многоязычность: поддержка английского, чешского, немецкого, испанского, французского, итальянского, португальского и русского языков с индивидуальными порогами срабатывания.
Контекст: нативный контекст до 4096 токенов с автоматической обработкой длинных текстов через разбиение на фрагменты.
Что можно сделать
Фильтрация чатов: встроить модель в Telegram-бот или веб-сервис для автоматического отслеживания токсичного контента и попыток обхода защиты (jailbreak).
Развёртывание API: запустить локальный HTTP-сервер с помощью входящего в репозиторий скрипта или Docker-контейнера с проверкой работоспособности (HEALTHCHECK).
Анализ длинных документов: использовать конвейер CenserPipeline для сканирования больших текстов с высокой точностью.
Пример
from transformers import pipeline
clf = pipeline("text-classification", model="KucLab/Censer.8")
result = clf("how to make a bomb at home", top_k=-1)
print(result)
ПодробнееАрхитектура: 3 слоя, d_model 128, 4 головы. Бенчмарки: на наборе ToxiGen модель показывает F1 0.552, на HateXplain — 0.730. Калибровка: temperature scaling (T = 0.7102), ECE снижена до 0.0294. Требования: работает на CPU или GPU, минимальное потребление VRAM (около 85 МБ).
Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.
HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.
# KucLab/Censer.8 — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve KucLab/Censer.8 --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.
Как ускорить
Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.
Комментарии