FRIDA-Decisions

FRIDA-Decisions

一次处理就能对俄语文本做结构化判断：选一个选项、按量表打分、回答是或否，或给候选排序。适合要对俄语消息分类和路由的开发者。

由 ai-forever 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：FRIDA-Decisions 读一段俄语文本，并在你声明的选项里选出答案来回答关于它的问题。它可以在几个标签里选一个，把文本放到某个量表上，回答是或否，或者给候选排序。它从不写自由文本，所以每个答案都是你的某个选项，并附带置信度。

适合谁：它适合要对俄语消息做分类、分流或路由的开发者，他们想要一个快速、可预测的分类器，并且不用重新训练就能更换标签。

Industry | Who uses it | How they use it | Example
客户支持 | 客服工具开发者 | 按主题和紧急程度给收到的俄语消息分类 | 把一条验证码没收到的消息标为登录问题
内容审核 | 平台开发者 | 标出用户消息里的垃圾信息 | 回答某条消息是不是垃圾信息
软件 | 应用开发者 | 把用户请求匹配到众多意图之一 | 一次处理就对 243 个意图的目录做检查
研究 | NLP 研究者 | 在俄语基准上测试判断准确率 | 在 razvilka 数据集上运行模型

如果你需要文本生成，或者你的文本是其他语言，可以跳过它。

用在哪里：它可以在本地的 Python 里运行，可以用消费级 GPU，也可以通过 ONNX 版本在 CPU 上运行，还能通过 MLX 版本在 Apple Silicon 上运行。

• 带 PyTorch、使用 NVIDIA GPU 的 Python
• 只有 CPU 的机器，使用 ONNX 版本
• Apple Silicon 的 Mac，使用 MLX 版本
• Linux 上带 GPU 的 vLLM 服务器，用于同时服务很多用户
• 模型卡提供的一个 Colab 笔记本

Use case | Who | What they get back
主题分类 | 支持团队 | 每条消息对应一个声明过的标签，并附置信度
紧急程度评级 | 分流工具 | 你定义的量表上的一个位置
垃圾信息检查 | 审核人员 | 一个是或否的答案，并附置信度

如何设置：你需要带 pip 的 Python，以及 frida-decisions 包，模型卡把它固定在 0.4.0 版本并带 torch 扩展。如果要在没有 PyTorch 的 CPU 上用，模型卡提到的是 onnx 扩展。

1. 安装 Hugging Face 的 hub 工具。
2. 下载模型文件。
3. 按模型卡安装 frida-decisions 包，带上 torch 或 onnx 扩展。
4. 在 Python 里用 Judge 类加载模型。

pip install -U huggingface_hub
hf download ai-forever/FRIDA-Decisions

如何使用：你构建一个请求，把文本作为 state，再加上一组命名的问题。每个问题有类型、说明和判断标准。类型有 choice、score 和 noul，noul 就是是或否。

from frida_decisions import Judge

judge = Judge.from_pretrained("ai-forever/FRIDA-Decisions", device="cuda")

把请求交给 judge，并打印答案。

print(judge.judge(request)["answers"])

Tool | What it does
Judge | 在进程内运行模型，这里用的是 CUDA GPU
OnnxJudge | 在 CPU 上运行 int8 的 ONNX 版本
vLLM server | 在带 GPU 的 Linux 上把很多用户的请求合并处理
hf download | 把模型文件下载到你的电脑

示例：你发送一条俄语客服消息，说验证码一个小时都没收到。你附上三个问题：它属于登录、支付还是配送，有多紧急，是不是垃圾信息。每个答案都以你声明过的某个选项返回，并附置信度。

新手与专家：可以把它看作一个由读者填写的表单。你写好问题和允许的答案，模型从中勾选一个。好的第一次尝试是用两三个主题来试那个客服消息的例子。

它建立在 823M 参数的 FRIDA T5 编码器之上。打包会把每个问题的选项放进同一个序列，所以文本只读一次，后续问题的成本很低。模型卡报告它在包含 735 个条目的 razvilka 基准上得分 0.893，而一个商业 API 是 0.897。

把文本和问题写成 JSON
文本一次编码，一次处理完成
所有声明的选项一起打分
每个问题返回一个选项和置信度

注意事项：按模型卡所说，把所有选项打包进一个序列，比逐个选项分别打分快得多。

Title: 回答 243 个意图目录所需的时间
打包成一个序列: 0.44 seconds
每个选项一个序列: 4.65 seconds

• Speed: 在 RTX 5060 Ti 上，模型卡测得每个约 400 个 token 的请求耗时 28 到 34 ms。
• Memory: 在整个 razvilka 运行中，PyTorch 峰值接近 1.8 GiB，CUDA 上下文另算。
• CPU 上的 ONNX 在 razvilka 上得分 0.891，6 个线程处理带 3 个问题的 384 token 请求约 0.9 s。
• License: MIT。
• Cost to run: 未提及。它在你自己的硬件上运行。
• Data it reaches: 你传入的俄语文本，除非使用 vLLM 服务器，否则在本地处理。
• Not for: 自由形式的生成。它只返回你声明的选项。

Hugging Face 上的数据（2026年11月13日）

• 任务：text classification
• 框架：frida-decisions
• 参数量：823M
• Weights: about 1.6 GB in BF16; about 412 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：1,111
• 点赞：57
• 许可证：mit
• 语言：ru, en
• 基于：ai-forever/FRIDA
• 标签：frida-decisions, onnx, safetensors, t5, decisions, routing, intent-classification, guardrails, zero-shot-classification, reranking, encoder, russian

链接

• 模型：https://huggingface.co/ai-forever/FRIDA-Decisions
• 文件：https://huggingface.co/ai-forever/FRIDA-Decisions/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download ai-forever/FRIDA-Decisions

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。