/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Базовая модель
Mistral-7B-Instruct-v0.2
Библиотека
transformers
Опубликована
19 сен 2026

svd-safety-mis7_swift_jbbcal2_remove50

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Mistral-7B-Instruct-v0.2, сжатый Swift-SVD и восстановленный LoRA для изучения компромиссов между безопасностью и полезностью.

493скачиваний 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 исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, созданный для изучения влияния сжатия на безопасность и полезность диалоговых языковых моделей. Разработчики применили Swift-SVD с динамическим распределением ранга, сократив число параметров примерно на 50%, а затем восстановили часть поведения с помощью LoRA-этапа SVD-LLM. Модель содержит около 7,1 млрд параметров и использует архитектуру Mistral для генерации текста и диалога; контекст — до 32 768 токенов.

Чекпойнт предназначен для экспериментов со сравнением атакоустойчивости и избыточных отказов после сжатия, а не для использования как универсальный чат-помощник. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Лицензия — Apache-2.0. Отдельные варианты этой исследовательской серии могут иметь намеренно сниженные показатели безопасности; перед любым практическим применением необходимо самостоятельно оценить поведение модели.

Сценарии применения

  • измерение влияния сжатия на безопасность языковой модели
  • сравнение успешности атак до и после сжатия
  • оценка избыточных отказов в ответах модели
  • исследование восстановления поведения после сжатия с помощью LoRA

Ограничения

README отмечает, что компрессия может повышать успешность атак и что отдельные варианты намеренно имеют сниженные показатели безопасности. Чекпойнт предназначен для экспериментов, поэтому его следует оценивать самостоятельно перед практическим 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-mis7_swift_jbbcal2_remove50

A Mistral-7B-Instruct-v0.2 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)mistralai/Mistral-7B-Instruct-v0.2
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)0.3885
StrongREJECT ASR (HarmBench judge)0.4473
Macro over-refusal (WildGuard)0.1305
WikiText-2 perplexity13.0583

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 Mistral-7B-Instruct-v0.2: 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

Apache License 2.0. The base model's repository ships no licence file to redistribute; the licence above governs this derivative.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
2fba66f

0 моделей