К содержимому
Языковые модели

Qwen3Guard-Gen-0.6B-Egy-Guardrail

компактный модератор с поддержкой арабских диалектов

2 мин чтенияобновлено

Лёгкая модель-цензор (guardrail — фильтр безопасности для LLM) на 0.6B параметров, которая проверяет сообщения, диалоги и вызовы инструментов на соответствие заданным правилам. Автор masterofaudio2077 дообучил базовую Qwen/Qwen3Guard-Gen-0.6B на синтетическом датасете из 3424+ примеров, добавив поддержку не только английского и французского, но и арабских диалектов (египетского, левантийского, стран Залива, магрибского) и транслита Arabizi. В отличие от стандартной версии с фиксированными фильтрами, эта модель принимает на вход конкретную политику (policy) и выдаёт вердикт, нарушенные категории и объяснение. Пригодится разработчикам мультиязычных ботов и ИИ-агентов, которым нужна быстрая локальная проверка контента без тяжёлых моделей.

Ключевые особенности

  • Широкий языковой охват: понимает литературный арабский (MSA), региональные диалекты, Arabizi (арабский латиницей и цифрами), французский, английский и их смеси (code-mixed).
  • Настраиваемые правила: решение принимается не вслепую, а строго на основе переданного в промпт текста политики (поддерживается 6 шаблонных стилей правил).
  • Гибкие объекты проверки: умеет оценивать отдельные реплики пользователя, ответы ассистента, историю диалога целиком, а также tool_call и tool_output (вызовы и ответы инструментов агента).
  • Структурированный ответ: возвращает результат в формате verdict | violated categories | reason и позволяет вычислять вероятность нарушения через логиты токенов safe/unsafe.

Что можно сделать

  • Фильтрация в RAG и агентских системах: проверять входящие запросы пользователей и данные, которые возвращают внешние API (tool_output), на наличие утечек персональных данных или запрещённых тем.
  • Модерация мультиязычных чатов и поддержки: отсеивать угрозы, спам и нецелевое использование бота в сервисах с аудиторией из стран Ближнего Востока и Северной Африки.

Пример

import json, torch
from huggingface_hub import hf_hub_download
from transformers import AutoTokenizer, AutoModelForCausalLM

repo = "masterofaudio2077/qwen3guard-gen-0.6b-egy-guardrail"
tok = AutoTokenizer.from_pretrained(repo); tok.padding_side = "left"
model = AutoModelForCausalLM.from_pretrained(repo, dtype=torch.bfloat16).eval()
cfg = json.load(open(hf_hub_download(repo, "guardrail_config.json")))
prompt = f"<|im_start|>user\n{cfg['instruction']}POLICY:\n{policy}\n\nCONTENT (user_message):\n{text}<|im_end|>\n<|im_start|>assistant\n"
ids = tok(prompt, return_tensors="pt", add_special_tokens=False)
print(tok.decode(model.generate(**ids, max_new_tokens=64, do_sample=False)[0, ids.input_ids.shape[1]:], skip_special_tokens=True))
ПодробнееМетрики на тесте (3424 строки): Accuracy — 0.9761 (против 0.7914 у стоковой Qwen3Guard), macro-F1 — 0.976, ROC-AUC — 0.9975, точность на парах с разной политикой (flip-pair acc) — 0.915.
Обучение: полный файнтюн (full fine-tune) в bfloat16, оптимизатор Lion (lr 3e-06), 2537 шагов (4.6 эпохи) с батчем 64.
Ограничения: модель обучена и протестирована на синтетических данных с неподтверждёнными вручную метками; предназначена только как вспомогательный защитный классификатор, а не единственный контур модерации.
Примеры
Обсудить Telegram 0 19

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.1 GB · готовые файлы2.6 GB
  • FP8 / INT8рекомендуемвеса 0.6 GB2.0 GB
  • 4-bitвеса 0.3 GB1.8 GB

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.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    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.

    # masterofaudio2077/qwen3guard-gen-0.6b-egy-guardrail — 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 masterofaudio2077/qwen3guard-gen-0.6b-egy-guardrail --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к qwen3guard-gen-0.6b-egy-guardrail
  3. 3. Пользуйтесь

    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.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen3Guard-Gen-0.6B
  1. Qwen3-0.6B-Baseоснова семьи
  2. Qwen3-0.6B
  3. Qwen3Guard-Gen-0.6B
  4. qwen3guard-gen-0.6b-egy-guardrail

Новые посты про версии Qwen3-0.6B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 3Все на Hugging Face

О модели

masterofaudio2077/qwen3guard-gen-0.6b-egy-guardrail
Автор
masterofaudio2077
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

190

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии