/ 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_swift_remove30

Генерация текстаТекст → текст3 профессии

Исследовательский вариант Llama-3.1-8B-Instruct для оценки влияния SVD-сжатия и дообучения на безопасность и полезность генерации текста.

434скачиваний за 30 дней0лайковвеса обновлены22 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-l31_swift_remove30 — исследовательский чекпойнт на базе Llama-3.1-8B-Instruct от Meta, сжатый методом Swift-SVD и восстановленный дообучением SVD-LLM с LoRA. После удаления 30% параметров в модели осталось около 70% исходного числа; общий размер — 7,5 млрд параметров. Это плотная авторегрессионная архитектура Llama для генерации текста и диалога, с контекстом до 131 072 токенов.

Модель создана для изучения того, как SVD-сжатие влияет на безопасность и полезность языковой модели и насколько дообучение может восстановить поведение. В README приведены результаты измерений на тестах безопасности, но модель прямо обозначена как отдельный экспериментальный вариант, а не универсальный чат-ассистент. Лицензия — Llama 3.1; применяйте её согласно условиям этой лицензии.

Сценарии применения

  • сравнение безопасности сжатых языковых моделей
  • измерение устойчивости к вредоносным запросам
  • оценка чрезмерных отказов после сжатия
  • изучение восстановления поведения модели с помощью LoRA

Ограничения

Это экспериментальный чекпойнт для измерения компромиссов безопасности и полезности, а не модель общего назначения для развёртывания. Сжатие может повысить успешность атак; результаты следует самостоятельно проверять.

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_swift_remove30

A Llama-3.1-8B-Instruct checkpoint compressed with Swift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 calibration) to 70.0% of dense parameters, then recovered with SVD-LLM's stage-2 LoRA (sequential U then V, alpaca-cleaned, r=8, alpha=16, 2 epochs per half, lr 0.0001, batch 64, cutoff 256).

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
compressionSwift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 calibration), 30.00% of parameters removed
resulting parameter fraction0.7003
seed42
per-matrix ranksSwift-SVD allocation (compression.json ranks)

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.0365
StrongREJECT ASR (HarmBench judge)0.1022
Macro over-refusal (WildGuard)0.2115
WikiText-2 perplexity14.4108

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

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
6c4fba2

0 моделей