Модель представляет собой мультиязычный классификатор текста на базе архитектуры XLM-RoBERTa, оптимизированный для работы в клиентской части с помощью ONNX Runtime Web. Она классифицирует текстовые фрагменты как написанные человеком или сгенерированные нейросетью (метки Human и ChatGPT). Благодаря квантованию int8 и разделению весов модель работает полностью на устройстве пользователя без отправки данных на сервер, что отлично подходит для веб-приложений и расширений.
Ключевые особенности
Мультиязычная поддержка на базе архитектуры XLM-RoBERTa для классификации текста.
Квантование int8 и внешние шарды весов для эффективного запуска в браузере.
Полностью клиентские вычисления через onnxruntime-web без отправки текстов на сервер.
Оценка документов через усреднение результатов по сегментам размером около 1200 символов.
Что можно сделать
Встроить детектор в веб-сервис или браузерное расширение для проверки текстов на авторов.
Использовать в приложениях для анализа пользовательского контента на стороне клиента.
Проверять большие документы путем разбиения их на сегменты с последующим усреднением скора.
Пример
Модель загружается через onnxruntime-web и оценивает сегменты текста на устройстве клиента, возвращая вероятности для меток Human и ChatGPT.
ПодробнееАрхитектура: XLM-RoBERTa base Формат: ONNX с квантованием int8 и весовыми шардами Метки: Human и ChatGPT Ограничения: является статистическим помощником, а не абсолютным доказательством авторства
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.
# saksara/ai-text-detector-onnx — 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 saksara/ai-text-detector-onnx --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