/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
AGPL 3.0
Архитектура
llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Библиотека
transformers
Опубликована
10 июн 2026

iconoclast-llama3.1-8b

Генерация текстаТекст → текст4 профессии

Англоязычная модель Llama 3.1 на 7,5 млрд параметров для диалогов и генерации текста с уменьшенным поведением отказа.

13скачиваний за 30 дней1лайквеса обновлены11 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

HaadesX разработала ICONOCLAST — англоязычную причинно-языковую модель генерации текста на базе meta-llama/Llama-3.1-8B-Instruct. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и рассчитана на контекст до 131 072 токенов. Она предназначена для диалогов и генерации текста с уменьшенным отказом отвечать на запросы.

Модель получена методом ICONOCLAST: геометрическим редактированием представлений с сохранением подпространства безвредных ответов и оптимизацией LoRA. По оценке автора на 20 вредоносных и 64 безвредных промптах модель показала ноль отказов и чрезмерных отказов, а также KL-дивергенцию 0,0447; это ограниченная оценка на небольших наборах, а не гарантия поведения в других сценариях.

Модель ориентирована на английский язык; качество на других языках не проверено. Она может выдавать небезопасные ответы на запросы вне тестового набора, а редактирование отказов не оценивает другие аспекты безопасности, например предвзятость или токсичность. Для загрузки в bfloat16 автор указывает потребность примерно в 16 ГБ VRAM, для 4-битной квантизации — около 8 ГБ. Лицензия — AGPL-3.0-or-later.

Сценарии применения

  • генерация ответов в англоязычном чат-боте
  • исследование поведения отказов языковых моделей
  • сравнение методов редактирования представлений и LoRA
  • оценка сохранения обычных ответов после изменения поведения отказов

Ограничения

Результаты приведены для небольших тестовых наборов и не гарантируют поведение на других запросах; модель может выдавать небезопасные ответы, а качество на языках кроме английского не проверено. Редактирование отказов не устраняет и не оценивает другие проблемы безопасности, включая предвзятость и токсичность.

Для каких профессий подходит4

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

ICONOCLAST: Llama-3.1-8B-Instruct (Benign-Subspace-Preserved Abliterated)

  • Model ID: HaadesX/iconoclast-llama3.1-8b
  • Base Model: meta-llama/Llama-3.1-8B-Instruct
  • Model Type: Causal Language Model
  • Language: English
  • License: AGPL-3.0-or-later
  • Abliteration Method: ICONOCLAST (Benign-Subspace-Preserved Representation Editing)
  • Pipeline Tag: text-generation
  • Tags: abliterator, jailbreak, uncensored, representation-editing, lora, optuna

Model Description

This is an abliterator version of meta-llama/Llama-3.1-8B-Instruct produced using the ICONOCLAST framework. ICONOCLAST removes harmful refusal behaviors while preserving benign model capabilities through geometric representation editing with benign-subspace preservation.

Unlike standard HERETIC-style abliteration which incurs significant utility costs (high KL divergence), ICONOCLAST achieves:

  • 0/20 harmful refusals (vs 1/20 for HERETIC baseline)
  • 0/64 benign overrefusals (vs 0/64 for HERETIC baseline)
  • 0.0447 KL divergence (vs 0.1854 for HERETIC baseline) — 4.1× lower utility tax

This represents a strict improvement across all three metrics in the ICONOCLAST selection rule (refusals → overrefusals → KL divergence).

How to Use

Via Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained(
    "HaadesX/iconoclast-llama3.1-8b",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("HaadesX/iconoclast-llama3.1-8b")

# Left-padding is critical for decoder-only models during generation
tokenizer.padding_side = "left"

prompt = "Explain how to create a harmless joke about computers"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=100,
    do_sample=True,
    temperature=0.7,
    pad_token_id=tokenizer.eos_token_id
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Manual Loading from LoRA Adapters

If you prefer to apply the LoRA adapters yourself:

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
import torch

base_model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-3.1-8B-Instruct",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-3.1-8B-Instruct")
tokenizer.padding_side = "left"

# Load ICONOCLAST LoRA adapters
model = PeftModel.from_pretrained(base_model, "HaadesX/iconoclast-llama3.1-8b", adapter_name="iconoclast")
model = model.merge_and_unload()  # Optional: merge for faster inference

ICONOCLAST Method Overview

ICONOCLAST extends standard directional abliteration (HERETIC) with Benign-Subspace Preservation:

  1. Collect & Contrast: Gather residual activations for harmless and harmful prompts during one-token generation
  2. Build Candidates: Generate refusal direction estimators (mean, median, variance-scaled, hybrid)
  3. Preserve Benign Behavior: Project candidate directions out of a low-rank PCA subspace of harmless residuals
  4. Optimize via LoRA: Apply rank-one LoRA edits to attention output and MLP down-projection modules
  5. Multi-Objective Search: Use Optuna to find Pareto-optimal balance between refusal reduction and utility preservation

The key insight: instead of naively subtracting the refusal direction, we subtract only the component orthogonal to harmless behavior, dramatically reducing utility degradation.

Hyperparameters Used

From the Optuna study that produced this checkpoint (trial #36):

direction_method: median
direction_scope: global
direction_blend: 0.9344894769725937

LoRA Parameters:
- attn.o_proj: max_weight=0.9867, max_weight_position=17.91, min_weight=0.6043, min_weight_distance=14.65
- mlp.down_proj: max_weight=1.4307, max_weight_position=13.69, min_weight=1.3095, min_weight_distance=12.87

Other Settings:
- benign_subspace_rank: 8
- orthogonalize_direction: true
- row_normalization: pre
- kl_divergence_target: 0.10
- overrefusal_penalty: 0.32
- harmful_marker_penalty: 0.18
- compliance_gap_penalty: 0.42
- n_trials: 48 (from benchmark config)

Benchmark Results

Matched Comparison vs HERETIC Baseline

Evaluated on:

  • Harmful prompts: 20 JailbreakBench Behaviors holdout
  • Harmless prompts: 64 Alpaca holdout
MetricICONOCLASTHERETICImprovement
Harmful Refusals (↓ better)0/201/201 fewer refusal
Benign Overrefusals (↓ better)0/640/64Equal
KL Divergence (↓ better)0.04470.18544.1× lower

Additional Metrics

  • Harmful disclaimer marker hits: 0 (ICONOCLAST) vs 1 (HERETIC)
  • Harmful compliance score: 0.8074 (ICONOCLAST) vs 0.7798 (HERETIC) — better compliance

Training Data

ICONOCLAST uses contrastive prompt pairs:

  • Good prompts: mlabonne/harmless_alpaca (train[:240] for direction calculation, test[:64] for evaluation)
  • Bad prompts: JailbreakBench/JBB-Behaviors (harmful[:80] for direction calculation, harmful[80:100] for evaluation)

All prompts use the "Goal" column for harmful behaviors and "text" column for harmless alpaca.

Limitations

  • Despite zero refusals/overrefusals on holdouts, the model may still produce unsafe outputs on adversarial prompts not in the evaluation set
  • The ablation is specific to the refusal vector; other safety mechanisms (bias, toxicity) may remain unaffected
  • Designed for English language; performance in other languages is unverified
  • As an 8B parameter model, requires substantial VRAM (~16GB for bfloat16, ~8GB for 4-bit quantization)

License

This model is released under the GNU Affero General Public License v3.0 or later (AGPL-3.0-or-later), inheriting the license from the base model and the ICONOCLAST framework. See LICENSE for full terms.

Citation

If you use this model in your research, please cite:

@article{patel2026iconoclast,
  title={ICONOCLAST: Benign-Subspace-Preserved Abliteration for Efficient Representation Editing},
  author={Patel, Varesh},
  journal={arXiv preprint arXiv:2606.xxxxx},
  year={2026}
}

Disclaimer

This model was produced via automated representation editing and has not undergone manual safety review. Users are responsible for ensuring safe and ethical usage in compliance with applicable laws and the model's license. The provider makes no warranties regarding the model's behavior or outputs.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
11835ef

0 моделей