/ 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
30 сен 2026

svd-safety-l2_jbb_ka8_a1p0_free_remove40

Генерация текстаТекст → текст3 профессии

Экспериментальная сжатая методом SVD-LLM версия Llama 2 Chat для изучения влияния сжатия на безопасность и полезность ответов.

192скачиваний за 30 дней0лайковвеса обновлены30 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 исследовательский чекпойнт диалоговой модели Llama 2 от Meta, сжатый методом SVD-LLM и созданный для изучения влияния сжатия на безопасность и полезность ответов. Веса основаны на meta-llama/Llama-2-7b-chat-hf; модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст. Контекст составляет 4096 токенов. В чекпойнте удалено 40% параметров; восстановлено 0% компонентов SVD по правилу unknown.

Модель предназначена для измерения компромисса между сжатием и поведением в задачах безопасности, а также для сравнения результатов с исходной Llama 2 Chat. README приводит показатели атак на AdvBench и StrongREJECT и долю чрезмерных отказов на WildGuard. Это экспериментальный объект, а не универсальный чат-ассистент; перед применением необходимо самостоятельно оценить безопасность и полезность. Используется лицензия Llama 2.

Сценарии применения

  • измерение устойчивости сжатой языковой модели к вредоносным запросам
  • сравнение безопасности дообученной модели с исходной Llama 2 Chat
  • оценка чрезмерных отказов после сжатия параметров

Ограничения

Это экспериментальный исследовательский чекпойнт, не предназначенный для развёртывания как универсальный ассистент. Сжатие может ухудшать безопасность и полезность; результаты оценки следует проверять на собственных сценариях.

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

svd-safety-l2_jbb_ka8_a1p0_free_remove40

A Llama-2-7b-chat checkpoint compressed with SVD-LLM to 60.0% of dense parameters, then given a 0.0% parameter budget of restored SVD components selected by the unknown rule.

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, 40.00% of parameters removed
selection ruleunknown
restore budget0.000% of dense parameters
components restored0
components swapped out0
resulting parameter fraction0.5998
seed42

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.0250
StrongREJECT ASR (HarmBench judge)0.0383
Macro over-refusal (WildGuard)0.3237
WikiText-2 perplexity11.5546

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
4716ec2

0 моделей