/ 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
10 сен 2026

svd-safety-l2_remove50_random_b001

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Llama 2 Chat, сжатый методом SVD-LLM для исследования влияния компрессии на безопасность и полезность ответов.

23скачиваний 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

Экспериментальный исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta, созданный для изучения влияния сжатия на безопасность и полезность языковой модели. Весовая матрица сжата методом SVD-LLM: удалено 49,91% параметров, а затем случайным правилом выбраны компоненты SVD для восстановления при бюджете 0,1%. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов.

Чекпойнт предназначен для экспериментов по оценке компромиссов между сжатием и безопасностью, а также для сравнения стратегий восстановления компонентов. README приводит показатели атак на тестах AdvBench и StrongREJECT и показатель избыточного отказа на WildGuard. Модель не предназначена для использования как универсальный чат-ассистент: компрессия может ухудшать защиту от вредоносных запросов. Лицензия — Llama 2.

Сценарии применения

  • оценка устойчивости сжатой языковой модели к вредоносным запросам
  • измерение изменения уровня отказов после сжатия модели
  • сравнение стратегий восстановления компонентов SVD
  • исследование компромисса между сжатием и безопасностью LLM

Ограничения

Это экспериментальный чекпойнт, не предназначенный для развёртывания как универсальный ассистент. Сжатие ухудшает защиту от атак по сравнению с исходной моделью; перед использованием результатов необходимо самостоятельно оценить модель.

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_remove50_random_b001

A Llama-2-7b-chat checkpoint compressed with SVD-LLM to 50.1% of dense parameters, then given a 0.1% 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, 49.91% of parameters removed
selection rulerandom
restore budget0.100% of dense parameters
components restored592
components swapped out0
resulting parameter fraction0.5009
seed42

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.5269
StrongREJECT ASR (HarmBench judge)0.3578
Macro over-refusal (WildGuard)0.1022
WikiText-2 perplexity13.5500

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
352b52a

0 моделей