/ 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
20 сен 2026

svd-safety-l3_swift_jbbsft10_remove40

Генерация текстаТекст → текст3 профессии

Экспериментальная сжатая и восстановленная версия Llama 3 8B Instruct для исследования влияния сжатия на безопасность и полезность ответов.

278скачиваний 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

Это экспериментальный исследовательский чекпойнт Jeesup на основе Meta-Llama-3-8B-Instruct. Модель семейства Llama с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Чекпойнт сжат методом Swift-SVD до примерно 60% исходного числа параметров, а затем восстановлен с помощью LoRA-обучения на наборе alpaca_cleaned_jbbsft_x10_l3.

Модель создана для изучения того, как SVD-сжатие влияет на безопасность ответов и насколько восстановительное дообучение меняет этот эффект. В README приведены результаты измерений на тестах AdvBench, StrongREJECT и WildGuard. Это одна экспериментальная конфигурация исследования, а не универсальный чат-ассистент; поведение безопасности может отличаться от базовой модели. Лицензия — Llama 3; применяются условия лицензии Meta Llama 3.

Сценарии применения

  • сравнение безопасности ответов до и после сжатия LLM
  • измерение устойчивости чат-моделей к вредоносным запросам
  • оценка чрезмерных отказов модели
  • исследование восстановления поведения модели с помощью LoRA
  • эксперименты с компромиссами между сжатием и качеством ответов

Ограничения

Это отдельная экспериментальная конфигурация для исследования, а не готовый универсальный ассистент; после сжатия поведение безопасности может ухудшаться относительно базовой модели. Перед применением необходимо самостоятельно оценить качество и безопасность ответов.

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_jbbsft10_remove40

A Llama-3-8B-Instruct checkpoint compressed with Swift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 calibration) to 60.0% of dense parameters, then recovered with SVD-LLM's stage-2 LoRA (sequential U then V, alpaca_cleaned_jbbsft_x10_l3.json, 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 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)0.0135
StrongREJECT ASR (HarmBench judge)0.0479
Macro over-refusal (WildGuard)0.4579
WikiText-2 perplexity28.9176

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
45d3d7a

0 моделей