/ 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_r05

Генерация текстаТекст → текст3 профессии

Экспериментальный сжатый чекпойнт Llama 3.1 8B Instruct для изучения компромиссов между сжатием модели и безопасностью её ответов.

222скачиваний 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, сжатый методом SVD-LLM: удалено 30,01% параметров, оставлено 70% от плотной модели. Затем к нему применили 5 из 10 раундов итеративной параметрически нейтральной замены компонентов по правилу gap_iter; бюджет каждого раунда — до 0,1% параметров исходной модели. Модель предназначена для изучения того, как SVD-сжатие влияет на безопасность и полезность языковых моделей и насколько выбранное правило замены помогает восстановить поведение безопасности.

Чекпойнт принимает текст и генерирует текст; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов. В метаданных указаны возможности диалога и интерфейс вызова инструментов. В README приведены результаты оценки безопасности: ASR 0,0150 на AdvBench и 0,0400 на StrongREJECT, а макроуровень чрезмерных отказов на WildGuard — 0,3527. Это отдельная экспериментальная ячейка исследования, а не универсальный чат-ассистент; поведение безопасности может быть ухудшено. Лицензия — llama3.1.

Сценарии применения

  • сравнение безопасности модели до и после SVD-сжатия
  • измерение устойчивости к запросам на вредоносный контент
  • оценка чрезмерных отказов языковой модели
  • исследование восстановления поведения безопасности заменой параметров

Ограничения

Это экспериментальная ячейка исследования, не предназначенная для развёртывания как универсальный ассистент; сжатие может ухудшить поведение безопасности. Результаты оценки ограничены указанными в README метриками и бенчмарками.

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_r05

A Llama-3.1-8B-Instruct checkpoint compressed with SVD-LLM to 70.0% of dense parameters, then edited by 5 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 restored5633
components swapped out5633
resulting parameter fraction0.6999
seed42
iterative rounds applied5 of 10
per-round chunk0.100% of dense parameters
parameters swapped in34,870,272 (0.50% of dense projection parameters)
swap valueinsert (insertion value only; sigma-ordered eviction)
checkpointintermediate round of a longer run

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.0150
StrongREJECT ASR (HarmBench judge)0.0400
Macro over-refusal (WildGuard)0.3527

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
719a183

0 моделей