/ 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
18 сен 2026

svd-safety-l3_remove50_swapgapiter_evfront_b010

Генерация текстаТекст → текст3 профессии

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

210скачиваний за 30 дней0лайковвеса обновлены18 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

Исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct, предназначенный для изучения влияния сжатия на безопасность и полезность языковых моделей. Модель семейства Llama с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; указанная длина контекста — 8192 токена. Чекпойнт сжат методом SVD-LLM: удалено около 50% параметров, после чего выполнено десять раундов итеративной замены параметров по правилу gap_iter.

Модель предназначена для экспериментальной оценки устойчивости к вредоносным запросам и компромиссов между отказами и полезными ответами, а не для использования в качестве универсального чат-ассистента. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; они относятся к конкретным оценкам безопасности и не гарантируют поведения в других условиях. Языковые возможности наследуются от базовой модели, для которой в метаданных указана генерация ассистентских ответов на английском языке. Лицензия — Llama 3; применяются условия лицензии Meta Llama 3.

Сценарии применения

  • оценка устойчивости сжатой языковой модели к вредоносным запросам
  • сравнение показателей безопасности до и после сжатия модели
  • измерение чрезмерных отказов чат-модели
  • исследование восстановления безопасности после сжатия SVD-LLM

Ограничения

Это исследовательский чекпойнт, который README прямо не рекомендует использовать как готового ассистента; поведение и компромисс между безопасностью и полезностью следует оценивать самостоятельно. Сжатие может ухудшать защиту от атак и влиять на чрезмерные отказы.

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_remove50_swapgapiter_evfront_b010

A Llama-3-8B-Instruct checkpoint compressed with SVD-LLM to 50.0% of dense parameters, then edited by 10 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/Meta-Llama-3-8B-Instruct
compressionSVD-LLM, 50.03% of parameters removed
selection rulegap_iter
restore budget1.000% of dense parameters
components restored11103
components swapped out4992
resulting parameter fraction0.4997
seed42
iterative rounds applied10 of 10
per-round chunk0.100% of dense parameters
parameters swapped in69,741,568 (1.00% of dense projection parameters)
swap valueinsert (insertion value only; sigma-ordered eviction)

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.0404
StrongREJECT ASR (HarmBench judge)0.0607
Macro over-refusal (WildGuard)0.2962
WikiText-2 perplexity105.9803

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
ab15e48

0 моделей