/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
13,5 ГБ
Лицензия
Llama 2
Архитектура
llama · dense
Базовая модель
Llama-2-7b-chat-hf
Библиотека
transformers
Опубликована
17 сен 2026

llama2_7b_chat_svdllm_v2_remove_40_seed42

Генерация текстаТекст → текст3 профессии

Экспериментальная сжатая и восстановленная LoRA диалоговая модель Llama 2 для изучения влияния сжатия на безопасность и полезность генерации текста.

501скачиваний за 30 дней0лайковвеса обновлены17 сен 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

Это экспериментальный чекпойнт диалоговой модели Llama 2 от Meta, сжатый методом SVD-LLM V2 и восстановленный дообучением LoRA второго этапа. Он содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, библиотеку Transformers и формат safetensors; максимальный контекст — 4096 токенов. Модель предназначена для генерации текста и ведения диалога на английском языке.

Чекпойнт создан как один из вариантов исследовательской сетки для измерения влияния сжатия на безопасность и полезность модели и проверки восстановления поведения. В README приведены показатели атак на безопасность и чрезмерных отказов. Это не универсальный чат-ассистент и не готовая к развёртыванию модель: отдельные варианты в исследовании намеренно имеют сниженные показатели безопасности. Лицензия — Llama 2; перед использованием следует учитывать её условия.

Сценарии применения

  • сравнение безопасности ответов до и после сжатия языковой модели
  • оценка устойчивости чат-модели к атакам на безопасность
  • измерение чрезмерных отказов диалоговой модели
  • исследование восстановления поведения модели после SVD-сжатия

Ограничения

Экспериментальный чекпойнт не предназначен для развёртывания как универсальный ассистент; сжатие может ухудшать безопасность, а приведённые показатели относятся к конкретным оценочным наборам. Перед использованием необходимо самостоятельно оценить качество и риски.

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

llama2_7b_chat_svdllm_v2_remove_40_seed42

A Llama-2-7b-chat checkpoint compressed with SVD-LLM V2 (arXiv 2503.12340), paper-derived reimplementation -- see the reproduction row below to 60.0% of dense parameters, then recovered with SVD-LLM's stage-2 LoRA (sequential U then V, alpaca-cleaned, r=8, alpha=16, 2 epochs, lr 1e-4, batch 64, cutoff 256, bf16).

This is a research artifact from a study of how SVD compression damages safety behaviour and which component-selection rule best repairs it. It is one cell of a grid over selection rules and budgets; it is not a general-purpose chat model.

Provenance

fieldvalue
base (uncompressed)meta-llama/Llama-2-7b-chat-hf
compressionSVD-LLM V2 (arXiv 2503.12340), paper-derived reimplementation -- see the reproduction row below, 40.00% of parameters removed
selection ruleunknown
restore budget0.000% of dense parameters
components restored0
components swapped out0
resulting parameter fraction0.5998
seed42
algorithm 1heterogeneous per-matrix compression ratio from the theoretical truncation loss (grouped by projection type)
algorithm 2eigendecomposition square root of X^T X in place of upstream's Cholesky factor
rank range204-1978 across 224 matrices (uniform SVD-LLM would use one rank per shape)
matrices at the keep floor3 (0.k_proj, 0.o_proj, 0.q_proj)
deviation from the paperAlgorithm 1 as printed is unbounded and can emit a reduction ratio > 1 (layer-0 q/k/o_proj do, at every ratio). Capped at keep >= 0.10 with the excess redistributed across the group in proportion to score, so each group's mean reduction stays exactly R. The paper specifies no bound.
upstream V2 sourceAIoT-MLSys-Lab/SVD-LLM advertises the V2 paper but ships no V2 source (checked at commit 7538cca, 2025-08-27); Algorithms 1 and 2 here are implemented from the paper text
reproduction gateLLaMA-7B @ 20% removed, WikiText-2 PPL: this implementation 7.913 vs the paper's reported 7.12 for V2 and 7.94 for v1. A uniform-rank control through the identical pipeline gives 7.901, so these cells reproduce v1's number, not V2's, and Algorithm 1 contributes -0.012 there. On Llama-2-7b-chat the allocation does help slightly (PPL -0.06 to -0.26 vs v1 at 20-40% removal). Treat this as V2-as-described, not V2-as-published-numbers.

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.4019
StrongREJECT ASR (HarmBench judge)0.2173
Macro over-refusal (WildGuard)0.1274
WikiText-2 perplexity11.0735

Intended use and limitations

This checkpoint exists to measure safety/utility trade-offs under compression. Several arms in the grid are deliberately safety-degraded relative to Llama-2-7b-chat: compression alone raises attack-success rate, and the point of the study is to quantify that and test recovery. Treat any given cell as an experimental subject, not as a deployable assistant, and evaluate it yourself before drawing conclusions from it.

Licence

Llama 2 Community License. LICENSE.txt and USE_POLICY.md are included in this repository, and use of this derivative is bound by them. Built with Llama 2.

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
b47de5e

0 моделей