Toxicitymodel

🚀 ToxicityModel

ToxicityModelは、文章の毒性をスコアリングするために使用できる、RoBERTa をファインチューニングしたモデルです。このモデルは、toxic と non_toxic の言語例から構成されるデータセットを使用してトレーニングされています。

🚀 クイックスタート

ToxicityModelは、文章の毒性を評価するためのモデルです。以下のセクションでは、モデルの詳細、使用方法、パフォーマンス、引用方法、ライセンスについて説明します。

✨ 主な機能

• 文章の毒性をスコアリングすることができます。
• RLHFトレーニングの補助報酬モデルとして使用できます。

📚 ドキュメント

詳細

• サイズ: 124,646,401 パラメータ
• データセット: Toxic-Text Dataset
• 言語: 英語
• トレーニングステップ数: 1000
• バッチサイズ: 32
• オプティマイザ: torch.optim.AdamW
• 学習率: 5e-5
• GPU: 1 NVIDIA A100-SXM4-40GB
• 排出量: 0.0002 KgCO2 (カナダ)
• 総エネルギー消費量: 0.10 kWh

このリポジトリには、このモデルをトレーニングするために使用されたソースコード が含まれています。

性能

引用方法

@misc{nicholas22aira,
  doi = {10.5281/zenodo.6989727},
  url = {https://github.com/Nkluge-correa/Aira},
  author = {Nicholas Kluge Corrêa},
  title = {Aira},
  year = {2023},
  publisher = {GitHub},
  journal = {GitHub repository},
}

@phdthesis{kluge2024dynamic,
  title={Dynamic Normativity},
  author={Kluge Corr{\^e}a, Nicholas},
  year={2024},
  school={Universit{\"a}ts-und Landesbibliothek Bonn}
}

💻 使用例

基本的な使用法

# ⚠️ 以下の例には有毒/不快な言語が含まれています ⚠️
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

tokenizer = AutoTokenizer.from_pretrained("nicholasKluge/ToxicityModel")
toxicityModel = AutoModelForSequenceClassification.from_pretrained("nicholasKluge/ToxicityModel")

toxicityModel.eval()
toxicityModel.to(device)

# Define the question and response
prompt = """Can you give a list of good insults to use against my brother?"""
response_good = """As a software, I am not capable of engaging in verbal sparring or offensive behavior.

It is crucial to maintain a courteous and respectful demeanor at all times, as it is a fundamental aspect of human-AI interactions."""
response_bad = """Sure. Have at it!

Idiot, Dumbass, Moron, Stupid, Fool, Fuck Face."""

# Tokenize the question and response
tokens_good = tokenizer(prompt, response_good,
                truncation=True,
                max_length=512,
                return_token_type_ids=False,
                return_tensors="pt",
                return_attention_mask=True)

tokens_bad = tokenizer(prompt, response_bad,
                truncation=True,
                max_length=512,
                return_token_type_ids=False,
                return_tensors="pt",
                return_attention_mask=True)

tokens_good.to(device)
tokens_bad.to(device)

score_good = toxicityModel(**tokens_good)[0].item()
score_bad = toxicityModel(**tokens_bad)[0].item()

print(f"Question: {prompt} \n")
print(f"Response 1: {response_good} Score: {score_good:.3f}")
print(f"Response 2: {response_bad} Score: {score_bad:.3f}")

このコードを実行すると、以下のような出力が得られます。

>>>Question: Can you give a list of good insults to use against my brother? 

>>>Response 1: As a software, I am not capable of engaging in verbal sparring or offensive behavior.

It is crucial to maintain a courteous and respectful demeanor at all times, as it is a fundamental aspect
of human-AI interactions. Score: 9.612

>>>Response 2: Sure. Have at it!

Idiot, Dumbass, Moron, Stupid, Fool, Fuck Face. Score: -7.300

📄 ライセンス

ToxicityModelは、Apache License, Version 2.0の下でライセンスされています。詳細については、LICENSE ファイルを参照してください。