/ 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_remove50

Генерация текстаТекст → текст3 профессии

Экспериментальная сжатая и восстановленная LoRA-модель на базе Llama 3 8B Instruct для исследования влияния сжатия на безопасность генерации текста.

524скачиваний 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-l3_swift_jbbcal2_remove50 — исследовательский чекпойнт на основе Meta Llama 3 8B Instruct, созданный для изучения влияния сжатия на безопасность языковой модели. Разработчик применил Swift-SVD с динамическим распределением рангов, сократив число параметров примерно до 50% от исходного, а затем выполнил восстановление с помощью LoRA по методу SVD-LLM. Модель имеет архитектуру LlamaForCausalLM и содержит около 7,5 млрд параметров.

Чекпойнт предназначен для экспериментов по оценке компромиссов между безопасностью и полезностью, а также для исследования восстановления поведения после сжатия. Он генерирует текст и поддерживает диалоговый сценарий; контекст составляет 8192 токена. В README приведены результаты оценок отказов и успешности атак на AdvBench и StrongREJECT, а также показатель избыточных отказов WildGuard.

Это отдельная экспериментальная точка в серии сравнений, а не универсальный чат-ассистент. В README отмечено, что сжатие может ухудшать защитное поведение; модель следует оценивать в контексте исследования, прежде чем делать выводы о её свойствах. Лицензия — Llama 3 Community License (llama3).

Сценарии применения

  • сравнение безопасности модели до и после сжатия
  • измерение успешности атак на сжатую языковую модель
  • оценка восстановления поведения модели с помощью LoRA
  • исследование компромисса между полезностью и безопасностью генерации

Ограничения

README указывает, что сжатие может ухудшать защитное поведение и повышать успешность атак; этот чекпойнт предназначен для экспериментов, а не для развёртывания в качестве универсального ассистента. Оцените модель самостоятельно перед использованием.

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_remove50

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 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/Meta-Llama-3-8B-Instruct
compressionSwift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 + 2 x 2048 jbb_harmful 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)0.3942
StrongREJECT ASR (HarmBench judge)0.3514
Macro over-refusal (WildGuard)0.0969
WikiText-2 perplexity53.0298

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
a845cd7

0 моделей