/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Llama 3.1
Архитектура
llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Библиотека
transformers
Опубликована
17 сен 2026

svd-safety-l31_remove30_swapgapiter_b010_r02

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Llama 3.1 8B Instruct, сжатый методом SVD и частично скорректированный для исследования изменений безопасности.

171скачиваний за 30 дней0лайковвеса обновлены17 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

Это исследовательский чекпойнт Jeesup на базе Meta Llama 3.1 8B Instruct, созданный для изучения влияния сжатия на безопасность языковых моделей. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров и использует веса safetensors. После удаления примерно 30% параметров методом SVD-LLM к ней применили 2 из 10 запланированных раундов итеративной замены параметров по правилу gap_iter.

Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью при сжатии, а также для сравнения правил и бюджетов восстановления поведения. В README приведены результаты тестов AdvBench, StrongREJECT и WildGuard; модель поддерживает текстовую генерацию и диалоговый сценарий, заявленная длина контекста — 131 072 токена.

Это отдельная экспериментальная ячейка исследования, а не универсальный чат-ассистент. В README отмечено, что некоторые варианты в серии намеренно имеют ухудшенную безопасность; результаты этой версии показывают ненулевую долю успешных атак и переотказов. Лицензия — Llama 3.1; применяйте модель для исследовательской оценки и проверяйте её поведение перед использованием.

Сценарии применения

  • оценка безопасности языковой модели после сжатия
  • измерение устойчивости к атакам на отказ от вредных запросов
  • сравнение правил восстановления поведения после SVD-сжатия

Ограничения

Чекпойнт является экспериментальным объектом, а не готовым универсальным ассистентом; README сообщает о ненулевой успешности атак и переотказов. Поведение следует самостоятельно оценивать перед 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-l31_remove30_swapgapiter_b010_r02

A Llama-3.1-8B-Instruct checkpoint compressed with SVD-LLM to 70.0% of dense parameters, then edited by 2 of 10 rounds of iterative parameter-neutral swap selected by the gap_iter rule (up to 0.1% 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-3.1-8B-Instruct
compressionSVD-LLM, 30.01% of parameters removed
selection rulegap_iter
restore budget1.000% of dense parameters
components restored2518
components swapped out2518
resulting parameter fraction0.6999
seed42
iterative rounds applied2 of 10
per-round chunk0.100% of dense parameters
parameters swapped in13,946,880 (0.20% of dense projection parameters)
swap valueinsert (insertion value only; sigma-ordered eviction)
checkpointintermediate round of a longer run

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.4000
StrongREJECT ASR (HarmBench judge)0.4100
Macro over-refusal (WildGuard)0.0475

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-3.1-8B-Instruct: 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 3.1 Community License. LICENSE and USE_POLICY.md are included in this repository, and use of this derivative is bound by them. Built with Llama.

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
909659a

0 моделей