/ 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_remove40_swapgapiter_b010_r05

Генерация текстаТекст → текст3 профессии

Экспериментальный сжатый вариант Llama-3.1-8B-Instruct для изучения компромиссов между безопасностью и полезностью языковых моделей.

281скачиваний 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 экспериментальный исследовательский чекпойнт Jeesup на базе Meta Llama-3.1-8B-Instruct. Модель с архитектурой LlamaForCausalLM сжата методом SVD-LLM до 60% от числа параметров исходной плотной модели, после чего к ней применено 5 из 10 раундов перестановки параметров по правилу gap_iter. В репозитории указано 7,5 млрд параметров, контекст до 131 072 токенов и формат safetensors.

Чекпойнт предназначен для изучения влияния сжатия на безопасность и полезность языковых моделей и оценки восстановления поведения после сжатия. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Это отдельная точка экспериментальной серии, а не универсальный чат-ассистент; отдельные варианты серии намеренно имеют ухудшенную безопасность. Для интерпретации результатов и любого практического применения необходима самостоятельная оценка. Лицензия — Llama 3.1.

Сценарии применения

  • измерение влияния SVD-сжатия на безопасность языковой модели
  • сравнение правил восстановления поведения после сжатия
  • оценка устойчивости к атакам на AdvBench и StrongREJECT
  • изучение чрезмерных отказов на наборе WildGuard

Ограничения

Это исследовательский чекпойнт, не предназначенный для использования как универсальный ассистент; безопасность и полезность могут отличаться от исходной модели, а некоторые варианты серии намеренно ухудшены по безопасности. Перед практическим применением требуется самостоятельная оценка.

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_remove40_swapgapiter_b010_r05

A Llama-3.1-8B-Instruct checkpoint compressed with SVD-LLM to 60.0% 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, 40.02% of parameters removed
selection rulegap_iter
restore budget1.000% of dense parameters
components restored5971
components swapped out5971
resulting parameter fraction0.5998
seed42
iterative rounds applied5 of 10
per-round chunk0.100% of dense parameters
parameters swapped in34,877,440 (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)0.0500
StrongREJECT ASR (HarmBench judge)0.0800
Macro over-refusal (WildGuard)0.3056

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
42d9d03

0 моделей