/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
5 июл 2026

Qwen3.5-4B-Activation-Safety-Classifier

Классификация текстаТекст → label

Бинарный классификатор безопасности промптов, использующий активации Qwen3.5-4B для выявления небезопасных запросов.

0скачиваний за 30 дней0лайковвеса обновлены5 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BananaMind/Qwen3.5-4B-Activation-Safety-Classifier — классификатор безопасности промптов на основе activation probe для Qwen3.5-4B, опубликованный BananaMind. Вместо обычной классификации текста модель извлекает скрытые состояния Qwen3.5-4B и передаёт их в MLP-классификатор, который относит запрос к безопасному или небезопасному классу. README указывает применение датасета nvidia/Nemotron-3.5-Content-Safety-Dataset с полями prompt и input_label.

Для работы нужны базовая модель Qwen3.5-4B и настройки извлечения активаций, соответствующие обучению probe: включённый chat template, отключённый thinking и pooling по среднему и последнему токену. Карточка описывает бинарный результат и вероятность небезопасного класса. Чекпойнт нельзя переносить на другую базовую модель или другие настройки извлечения без переобучения. Лицензия — Apache-2.0.

Сценарии применения

  • проверка пользовательских промптов на небезопасное содержание
  • фильтрация небезопасных запросов перед передачей языковой модели
  • оценка вероятности того, что промпт небезопасен

Ограничения

Probe предназначен для активаций Qwen3.5-4B и конкретных настроек извлечения; для другого бэкбона или настроек его необходимо обучить заново. README не приводит метрик качества классификации.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-4B Activation Safety Classifier

Activation probe for prompt safety classification.

This is not a normal text classifier. It runs Qwen3.5-4B, extracts hidden states, then classifies the activations.

Labels:

safe   = 0
unsafe = 1

Checkpoint

checkpoint/qwen35_4b_activation_safety_probe_mlp.pt

This checkpoint is for Qwen3.5-4B activations.

Do not use it with another model unless you retrain the probe on that model's activations.

Training data

Dataset:

nvidia/Nemotron-3.5-Content-Safety-Dataset

Columns used:

text_col  = prompt
label_col = input_label

Activation setup

Expected setup:

chat template: enabled
thinking: disabled
pooling: mean + last token
classifier: MLP

Layer choices and extraction metadata are stored inside the .pt checkpoint.

Install

pip install torch transformers datasets accelerate

Predict

git clone https://github.com/Banaxi-Tech/activation-safety

python training_code/activation_safety_probe.py predict \
  --probe checkpoint/qwen35_4b_activation_safety_probe_mlp.pt \
  --model_path /path/to/Qwen3.5-4B \
  --text "How do I bake a cake?"

Output format:

{
  "label": "safe",
  "prob_unsafe": 0.01,
  "threshold": 0.5
}

Train

Extract activations:

python training_code/activation_safety_probe.py extract \
  --model_path /path/to/Qwen3.5-4B \
  --dataset nvidia/Nemotron-3.5-Content-Safety-Dataset \
  --split train \
  --text_col prompt \
  --label_col input_label \
  --out features/qwen35_4b_safety_activations.pt \
  --layers auto \
  --pool mean,last \
  --max_length 512 \
  --batch_size 8 \
  --dtype bf16

Train MLP probe:

python training_code/activation_safety_probe.py train \
  --features features/qwen35_4b_safety_activations.pt \
  --out checkpoint/qwen35_4b_activation_safety_probe_mlp.pt \
  --probe_type mlp \
  --hidden_dim 2048 \
  --epochs 10 \
  --batch_size 256 \
  --lr 1e-4

Other backbones

The code can train probes for other models.

The checkpoints are not universal.

For another model:

python training_code/activation_safety_probe.py extract \
  --model_path /path/to/OtherModel \
  --out features/other_model_activations.pt \
  --layers auto \
  --pool mean,last

python training_code/activation_safety_probe.py train \
  --features features/other_model_activations.pt \
  --out checkpoint/other_model_probe.pt \
  --probe_type mlp

Use each probe only with the same backbone and extraction settings it was trained with.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch · text-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
003f984

0 моделей