/ 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
11 сен 2026

svd-safety-l2_remove50_swapdisciter_b010

Генерация текстаТекст → текст3 профессии

Экспериментально сжатая на 50,01% диалоговая модель Llama 2 для изучения компромисса между безопасностью и полезностью.

186скачиваний за 30 дней0лайковвеса обновлены11 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

Jeesup/svd-safety-l2_remove50_swapdisciter_b010 — экспериментальный чекпойнт, созданный для измерения компромисса между безопасностью и полезностью диалоговых языковых моделей при сжатии. Он основан на meta-llama/Llama-2-7b-chat-hf и получен методом SVD-LLM с удалением 50,01% параметров по правилу disc_iter. Модель имеет архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров, принимает текст и генерирует текст; контекст — до 4096 токенов.

Карточка приводит метрики атак на безопасность и чрезмерных отказов, включая долю успешных атак AdvBench 0,0115, StrongREJECT 0,0735 и показатель чрезмерных отказов WildGuard 0,4240. Чекпойнт предназначен для исследования влияния сжатия и проверки методов восстановления безопасности, а не для использования как готовый ассистент. Языковые сведения карточки указывают на английский язык базовой модели. Лицензия — Llama 2 Community License.

Сценарии применения

  • измерение влияния сжатия на безопасность диалоговой модели
  • сравнение доли успешных атак до и после сжатия
  • оценка чрезмерных отказов языковой модели
  • исследование методов восстановления безопасности после сжатия

Ограничения

README указывает, что отдельные варианты в серии намеренно имеют сниженную безопасность, а само сжатие может повышать успешность атак. Чекпойнт предназначен для экспериментов, его следует отдельно оценивать перед любым применением.

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_swapdisciter_b010

A Llama-2-7b-chat checkpoint compressed with SVD-LLM to 50.0% of dense parameters, then given a 1.0% parameter budget of restored SVD components selected by the disc_iter 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, 50.01% of parameters removed
selection ruledisc_iter
restore budget1.000% of dense parameters
components restored6753
components swapped out6753
resulting parameter fraction0.4999
seed42

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.0115
StrongREJECT ASR (HarmBench judge)0.0735
Macro over-refusal (WildGuard)0.4240
WikiText-2 perplexity14.3199

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
adf6fd6

0 моделей