/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Llama 3
Архитектура
llama · dense
Базовая модель
Meta-Llama-3-8B-Instruct
Библиотека
transformers
Опубликована
21 сен 2026

svd-safety-l3_basis_remove40_swapgapnet_rankunit_b010

Генерация текстаТекст → текст3 профессии

Экспериментальный сжатый вариант Llama 3 8B Instruct для исследования влияния сжатия и замены параметров на безопасность и полезность модели.

486скачиваний за 30 дней0лайковвеса обновлены21 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

Это экспериментальный чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct, созданный для изучения влияния сжатия SVD на безопасность языковой модели и восстановления её поведения. Модель с архитектурой Llama и 7,5 млрд параметров сжата методом Basis Sharing: общие базисы используются для групп из двух соседних слоёв, удалено 40% параметров. Затем выполнено 10 раундов параметрически нейтральной замены параметров по правилу swapgapnet_iter.

Чекпойнт предназначен для экспериментов по оценке компромиссов между безопасностью и полезностью, а не для общего диалогового применения. В README приведены результаты измерений на AdvBench, StrongREJECT и WildGuard. Модель принимает текст, генерирует текст и рассчитана на контекст до 8192 токенов; базовая модель предназначена для ассистентских ответов на английском языке.

Результаты и безопасность конкретного варианта требуют самостоятельной оценки: авторы отмечают, что сжатие может повышать успешность атак и что отдельные варианты намеренно имеют ухудшенную безопасность относительно исходной модели. Модель распространяется по лицензии Llama 3.

Сценарии применения

  • сравнение безопасности сжатых языковых моделей
  • измерение устойчивости к вредоносным запросам на AdvBench
  • оценка склонности к чрезмерному отказу
  • исследование восстановления поведения после сжатия
  • эксперименты с параметрически нейтральной заменой весов

Ограничения

Это исследовательский вариант, а не готовый универсальный ассистент; сжатие может ухудшать безопасность, и результаты конкретного чекпойнта следует проверять самостоятельно. README приводит измерения на нескольких бенчмарках, но не описывает их как гарантию безопасного поведения.

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-l3_basis_remove40_swapgapnet_rankunit_b010

A Llama-3-8B-Instruct checkpoint compressed with Basis Sharing (ICLR 2025; shared bases over groups of 2 adjacent layers) to 60.0% of dense parameters, then edited by 10 of 10 rounds of iterative parameter-neutral swap selected by the swapgapnet_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/Meta-Llama-3-8B-Instruct
compressionBasis Sharing (ICLR 2025; shared bases over groups of 2 adjacent layers), 40.00% of parameters removed
selection ruleswapgapnet_iter
restore budget1.000% of dense parameters
components restored3038
components swapped out3038
resulting parameter fraction0.5999
seed42
recoveryLoRA r=8 on the per-layer coefficients only (bases frozen, budget unchanged), 2 epochs, lr 0.0001, batch 64, alpaca-cleaned
iterative rounds applied10 of 10
per-round chunk0.100% of dense parameters
parameters swapped in69,740,544 (1.00% of dense projection parameters)
swap valuenet (insertion value + removal value of the sigma-ordered eviction)

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.0538
StrongREJECT ASR (HarmBench judge)0.1438
Macro over-refusal (WildGuard)0.1070
WikiText-2 perplexity18.4012

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-3-8B-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

Meta Llama 3 Community License. LICENSE and USE_POLICY.md are included in this repository, and use of this derivative is bound by them. Built with Meta Llama 3.

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
07e30f5

0 моделей