/ 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_remove50

Генерация текстаТекст → текст3 профессии

Экспериментальная сжатая и восстановленная LoRA-модель Llama 3.1 8B для исследования влияния сжатия на безопасность и полезность генерации текста.

402скачиваний 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_remove50 — исследовательский чекпойнт на основе Meta Llama 3.1 8B Instruct, сжатый методом Swift-SVD примерно до половины исходного числа параметров и дополнительно восстановленный с помощью LoRA. Модель содержит около 7,5 млрд параметров, использует архитектуру Llama и формат safetensors; заявленная длина контекста — 131 072 токена. Она предназначена для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для оценки методов восстановления поведения модели.

Модель поддерживает генерацию текста и диалоговый интерфейс; в метаданных также указана поддержка интерфейса вызова инструментов. Карточка приводит результаты на наборах AdvBench, StrongREJECT и WildGuard, включая доли успешных атак и избыточных отказов. Это отдельный экспериментальный вариант из сетки сравнений, а не универсальный помощник: некоторые варианты исследования намеренно ухудшают защитное поведение. Использование регулируется лицензией Llama 3.1.

Сценарии применения

  • оценка влияния сжатия на устойчивость модели к вредоносным запросам
  • сравнение методов восстановления защитного поведения после сжатия
  • анализ компромисса между безопасностью и полезностью ответов
  • воспроизведение экспериментов по безопасности сжатых языковых моделей

Ограничения

Это исследовательский вариант, не предназначенный для развёртывания как универсальный помощник; сжатие может ухудшать защитное поведение, а результаты конкретного чекпойнта следует оценивать самостоятельно.

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_remove50

A Llama-3.1-8B-Instruct checkpoint compressed with Swift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 calibration) to 50.0% 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), 50.00% of parameters removed
resulting parameter fraction0.5003
seed42
per-matrix ranksSwift-SVD allocation (compression.json ranks)

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.6250
StrongREJECT ASR (HarmBench judge)0.4505
Macro over-refusal (WildGuard)0.0743
WikiText-2 perplexity351.7960

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
0171a6e

0 моделей