/ 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
19 сен 2026

svd-safety-l3_swift_jbbcal2_remove40

Генерация текстаТекст → текст3 профессии

Экспериментальный сжатый и восстановленный LoRA-чекпойнт Llama 3 предназначен для изучения влияния сжатия на безопасность и полезность диалоговой модели.

560скачиваний 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 разработал исследовательский чекпойнт на базе Meta-Llama-3-8B-Instruct, сжатый методом Swift-SVD с удалением 40% параметров, а затем восстановленный с помощью LoRA-дообучения SVD-LLM. Это плотная диалоговая модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена; она принимает текст и генерирует текст, поддерживает чат. В карточке указана лицензия llama3.

Модель предназначена для экспериментов по оценке того, как сжатие влияет на безопасность ответов и полезность, а также на проверку методов восстановления поведения. README приводит показатели атак на безопасность и чрезмерных отказов для конкретных тестов, поэтому результаты применимы к оценке этого экспериментального чекпойнта.

Автор предупреждает, что некоторые варианты в исследовании намеренно имеют ослабленное защитное поведение, а сжатие может повышать успешность атак. Модель не предназначена для использования как универсальный чат-ассистент; перед практическим применением её необходимо самостоятельно оценить.

Сценарии применения

  • сравнение безопасности ответов до и после сжатия LLM
  • оценка успешности атак на диалоговую модель
  • измерение чрезмерных отказов после сжатия
  • исследование восстановления поведения модели с помощью LoRA

Ограничения

Это исследовательский чекпойнт, не предназначенный для универсального ассистентского применения; сжатие может ухудшить защитное поведение и повысить успешность атак. Для практического применения требуется отдельная оценка безопасности и качества.

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_swift_jbbcal2_remove40

A Llama-3-8B-Instruct checkpoint compressed with Swift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 + 2 x 2048 jbb_harmful calibration) to 60.0% 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/Meta-Llama-3-8B-Instruct
compressionSwift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 + 2 x 2048 jbb_harmful calibration), 40.00% of parameters removed
resulting parameter fraction0.6003
seed42
per-matrix ranksSwift-SVD allocation (compression.json ranks)

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.1962
StrongREJECT ASR (HarmBench judge)0.2556
Macro over-refusal (WildGuard)0.0874
WikiText-2 perplexity24.8440

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
cc4c443

0 моделей