/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,8 млрд
Размер весов
7,7 ГБ
Лицензия
MIT
Архитектура
phi3 · dense
Базовая модель
Phi-4-mini-instruct
Опубликована
30 апр 2026

Phi-4-Mini-Abliterated

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Phi-4-mini-instruct с удалённым направлением отказа для изучения поведения и защитных механизмов языковых моделей.

229скачиваний за 30 дней1лайквеса обновлены4 июн 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

DuoNeural выпустила экспериментальную аблитерированную версию Microsoft Phi-4-mini-instruct: компактную плотную языковую модель с 3,8 млрд параметров для диалоговой генерации текста. Авторы удаляли направление отказа, извлекая его из скрытых состояний слоя 16 и применяя ортогональную проекцию к down_proj и o_proj во всех 32 слоях. Модель принимает текст и генерирует текст; заявленное окно контекста — 4096 токенов. В метаданных указан английский язык.

По результатам README, на пяти вредоносных проверочных запросах модель выполнила все пять, тогда как исходная версия выполнила один из пяти. Это изменение поведения может быть полезно для исследования отказов и защитных механизмов языковых моделей, но делает модель непригодной для сценариев, где важно надёжное отклонение вредоносных запросов. README сообщает о низком KL-расхождении на десяти безвредных пробах, однако этих ограниченных проверок недостаточно для вывода о сохранении общего качества или безопасности. Лицензия — MIT.

Сценарии применения

  • исследование отказов языковой модели на вредоносных запросах
  • сравнение поведения модели до и после удаления направления отказа
  • эксперименты с направлением отказа на промежуточных слоях трансформера

Ограничения

В README указано, что модель выполнила все пять вредоносных проверочных запросов, поэтому она не подходит для сценариев, требующих надёжного отказа. Заявленные оценки основаны на небольшом наборе проб и не подтверждают сохранение общего качества.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Phi-4-Mini-Instruct Abliterated (L16 direction)

DuoNeural | 2026-06-04 — Canonical documented run

This is the correct abliteration of Phi-4-Mini. Earlier attempts using standard final-layer direction extraction all failed due to a layer crystallization mismatch. See findings below.

Abliterated version of microsoft/Phi-4-mini-instruct using the correct refusal direction.


Results

MetricValue
Pre-abliteration compliance1/5
Post-abliteration compliance5/5
KL divergence (Heretic v2.0, BF16→BF16)0.0135 (GOOD)
Benign capability2/2 preserved

All 5 harmful probes comply post-abliteration, including manipulation/social-engineering (P5) which resisted all previous α values when using final-layer extraction.


Key Finding: Layer Crystallization

Standard abliteration failed for Phi-4-Mini because the refusal direction crystallizes at layer 16, not the final layer. This is a new failure mode for the standard diff-in-means pipeline.

Layer Sweep Results (α=1.0, all layers)

LayerComplianceNote
L001/5baseline
L041/5baseline
L080/5WORSE — compliance direction, removing it hurts
L124/5approaching peak
L165/5← refusal crystallization point
L200/5post-crystallization, removing hurts again
L240/5same
L281/5baseline
L32 (final)1/5baseline — standard extraction point, FAILS

The refusal direction is maximally expressed at layer 16 — the exact midpoint of the 32-layer network. Extracting from L32 (standard pipeline) misses it entirely at any α value.

α-sweep with final-layer extraction (documented baseline — all fail):

αPost complianceKL
0.31/50.004
0.81/50.015
1.01/50.028

Architecture

PropertyValue
Parameters3.8B (dense)
Layers32
LicenseMIT

Abliteration Method

DuoNeural orthogonal rank-1 projection — L16 extraction:

  • Direction extraction: diff-in-means on layer 16 hidden states (not final layer)
    • d̂ = normalize(mean(harmful_L16) − mean(harmless_L16))
  • Targets: down_proj + o_proj, all 32 layers
  • Strength: α = 1.0
  • Projection: W -= α × outer(d̂, d̂ ⊤ W) (output-projection form)
  • KL methodology: Heretic v2.0 — BF16→BF16, 10 benign probes, full vocab, F.kl_div(batchmean)

P34 Research Context

Part of DuoNeural's P34 Reasoning Channel Bypass cross-architecture study.

Generalized finding: The standard abliteration pipeline assumes refusal crystallizes at the final layer. This assumption fails for Phi-4-Mini. The crystallization depth is model-specific and must be empirically located via layer sweep.

Implication: For any model that shows unexpected resistance to standard abliteration (behavior unchanged while KL rises with α), a layer sweep should be the first diagnostic. The failure mode is likely a mid-network crystallization point that final-layer extraction cannot capture.

Full paper: DuoNeural Zenodo community


Usage

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model = AutoModelForCausalLM.from_pretrained(
    "DuoNeural/Phi-4-Mini-Abliterated",
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained("DuoNeural/Phi-4-Mini-Abliterated")

messages = [{"role": "user", "content": "Your prompt here"}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
with torch.no_grad():
    out = model.generate(**inputs, max_new_tokens=512, temperature=0.7, do_sample=True)
print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

DuoNeural | HuggingFace | Zenodo | @DuoNeural

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Phi3ForCausalLM
Ревизия весов
6f406c9

0 моделей