/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
AGPL 3.0
Архитектура
mistral · dense
Базовая модель
Mistral-7B-Instruct-v0.3
Библиотека
transformers
Опубликована
11 июн 2026

iconoclast-mistral-7b

Генерация текстаТекст → текст3 профессии

Англоязычная версия Mistral-7B-Instruct-v0.3 с изменённым поведением отказов для генерации диалогового текста и исследований безопасности моделей.

19скачиваний 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

ICONOCLAST — англоязычная диалоговая модель генерации текста на основе Mistral-7B-Instruct-v0.3 от Mistral AI. Разработчик HaadesX применил к ней метод representation editing с сохранением подпространства безвредных ответов, чтобы уменьшить отказы на вредоносных запросах и сохранить качество обычных ответов. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов.

Модель предназначена для исследований поведения отказов и jailbreak-устойчивости, а также для генерации ответов на английском языке. По оценке авторов на ограниченных контрольных наборах она отказала на 1 из 20 вредоносных запросов, не дала избыточных отказов на 64 безвредных запросах и показала KL-дивергенцию 0,0554 относительно базовой модели. Эти результаты не гарантируют аналогичного поведения на других запросах. Лицензия — AGPL-3.0-or-later.

Сценарии применения

  • исследование поведения отказов языковых моделей
  • сравнение методов удаления отказов у LLM
  • генерация ответов на английском языке в тестовых сценариях
  • оценка сохранения обычных ответов после изменения модели

Ограничения

Модель может выдавать небезопасные ответы, в том числе на запросы вне проверенных наборов; изменение направлено на поведение отказов и не гарантирует устранения других проблем безопасности. Проверка проводилась на небольших наборах, а качество для языков кроме английского не подтверждено.

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

ICONOCLAST: Mistral-7B-Instruct-v0.3 (Benign-Subspace-Preserved Abliterated)

  • Model ID: HaadesX/iconoclast-mistral-7b
  • Base Model: mistralai/Mistral-7B-Instruct-v0.3
  • 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 mistralai/Mistral-7B-Instruct-v0.3 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:

  • 1/20 harmful refusals (vs 4/20 for HERETIC baseline) — 4× fewer refusals
  • 0/64 benign overrefusals (vs 0/64 for HERETIC baseline) — Equal
  • 0.0554 KL divergence (vs 0.1317 for HERETIC baseline) — 2.4× 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-mistral-7b",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("HaadesX/iconoclast-mistral-7b")

# 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))

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 index 19):

direction_method: median
direction_scope: global
direction_blend: 0.7798030952339242

LoRA Parameters:
- attn.o_proj: max_weight=1.8845, max_weight_position=14.64, min_weight=1.7328, min_weight_distance=14.86
- mlp.down_proj: max_weight=1.4194, max_weight_position=13.25, min_weight=0.2104, min_weight_distance=5.36

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)1/20 (5.0%)4/20 (20.0%)4× fewer
Benign Overrefusals (↓ better)0/64 (0.0%)0/64 (0.0%)Equal
KL Divergence (↓ better)0.05540.13172.4× lower

Additional Metrics

  • Harmful disclaimer marker hits: 1 (ICONOCLAST) vs 6 (HERETIC)
  • Harmful compliance score: 0.8136 (ICONOCLAST) vs 0.7970 (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 near-zero refusals 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 a 7B parameter model, requires substantial VRAM (~14GB for bfloat16, ~7GB 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
MistralForCausalLM
Ревизия весов
5cc52a6

0 моделей