/ 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
15 сен 2026

svd-safety-l2_remove50_swapgapnet_a020_c002_b010_r04

Генерация текстаТекст → текст3 профессии

Экспериментальная сжатая и модифицированная версия Llama 2 Chat для исследования влияния сжатия на безопасность и полезность диалоговой генерации.

290скачиваний за 30 дней0лайковвеса обновлены15 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat с 7 млрд параметров, сжатый методом SVD-LLM примерно до половины плотного числа параметров и изменённый в четырёх из пяти раундов параметрически нейтральной перестановки, выбранной правилом gap_iter. Это одна точка экспериментальной сетки для изучения влияния сжатия на безопасность и полезность ответов, а не универсальный диалоговый помощник.

Модель генерирует текст в формате диалога. Контекст составляет 4096 токенов; в репозитории указаны веса safetensors и библиотека Transformers. README приводит показатели успешности атак на AdvBench и StrongREJECT, а также макроуровень чрезмерных отказов на WildGuard, чтобы сравнивать компромиссы безопасности и полезности. В описанном исследовании сжатие повышает успешность атак, поэтому этот чекпойнт следует рассматривать как экспериментальный объект и оценивать отдельно, а не развёртывать как готового ассистента. Указана лицензия Llama 2 (llama2).

Сценарии применения

  • измерение устойчивости чат-модели к вредоносным запросам
  • сравнение безопасности модели до и после сжатия SVD
  • исследование влияния перестановки параметров на ответы модели

Ограничения

README отмечает повышение успешности атак после сжатия и прямо характеризует чекпойнт как экспериментальный, не предназначенный для развёртывания в качестве универсального помощника. Его показатели относятся к конкретным тестам AdvBench, StrongREJECT и WildGuard.

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_swapgapnet_a020_c002_b010_r04

A Llama-2-7b-chat checkpoint compressed with SVD-LLM to 50.0% of dense parameters, then edited by 4 of 5 rounds of iterative parameter-neutral swap selected by the gap_iter rule (up to 0.2% of dense parameters per round; the full run's budget is 1.0%).

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 rulegap_iter
restore budget1.000% of dense parameters
components restored669
components swapped out669
resulting parameter fraction0.4999
seed42
iterative rounds applied4 of 5
per-round chunk0.200% of dense parameters
parameters swapped in7,471,104 (0.12% of dense projection parameters)
swap valuenet (insertion value + removal value of the sigma-ordered eviction)
insertion scale0.2 (components added at this fraction of their strength)
checkpointintermediate round of a longer run

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.5288
StrongREJECT ASR (HarmBench judge)0.3227
Macro over-refusal (WildGuard)0.1082

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

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры
LlamaForCausalLM
Ревизия весов
638013c

0 моделей