/ 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
9 сен 2026

svd-safety-l2_remove40_random_b010

Генерация текстаТекст → текст3 профессии

Экспериментальный вариант Llama 2, сжатый методом SVD-LLM и предназначенный для исследования влияния сжатия на безопасность диалоговой модели.

138скачиваний за 30 дней0лайковвеса обновлены10 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 диалоговый чекпойнт Jeesup на основе meta-llama/Llama-2-7b-chat-hf, сжатый методом SVD-LLM: удалено 39,03% параметров, после чего случайным образом восстановлены компоненты в пределах бюджета 1% параметров. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации ответов; контекст — до 4096 токенов. В метаданных указана библиотека Transformers и формат Safetensors.

Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для измерения восстановления поведения при выборе компонентов по случайному правилу. В карточке приведены результаты тестов AdvBench, StrongREJECT и WildGuard. Модель не предназначена для общего диалогового применения: авторы отмечают ухудшение защитного поведения у вариантов этой исследовательской серии. Лицензия — Llama 2.

Сценарии применения

  • измерение устойчивости сжатой LLM к вредоносным запросам
  • сравнение стратегий восстановления компонентов после SVD-сжатия
  • оценка компромисса между полезностью и безопасностью языковой модели

Ограничения

Чекпойнт предназначен для экспериментов, а не для использования как универсальный ассистент; сжатие может ухудшать защитное поведение. Перед использованием результаты необходимо оценить самостоятельно.

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_remove40_random_b010

A Llama-2-7b-chat checkpoint compressed with SVD-LLM to 61.0% of dense parameters, then given a 1.0% parameter budget of restored SVD components selected by the random 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, 39.03% of parameters removed
selection rulerandom
restore budget1.000% of dense parameters
components restored5901
components swapped out0
resulting parameter fraction0.6097
seed42

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.3346
StrongREJECT ASR (HarmBench judge)0.1725
Macro over-refusal (WildGuard)0.1004
WikiText-2 perplexity11.2594

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 both. 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
2928760

0 моделей