/ 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
22 сен 2026

svd-safety-mis7_swift_jbbsft1_remove20

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Mistral-7B для оценки влияния сжатия Swift-SVD и последующего восстановления на безопасность и полезность диалоговой модели.

159скачиваний 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

Исследовательский чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2 предназначен для изучения влияния сжатия весов на безопасность и полезность диалоговой модели. Модель Mistral с плотной архитектурой содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов.

Веса сжаты методом Swift-SVD до примерно 80% исходного числа параметров, после чего модель восстановлена с помощью этапа SVD-LLM с LoRA-дообучением. Это одна конфигурация экспериментальной сетки, а не универсальный чат-помощник. В README приведены результаты оценки на AdvBench, StrongREJECT и WildGuard, но они относятся к конкретным тестам и не гарантируют поведение в других условиях. Модель выпущена под лицензией Apache-2.0.

Сценарии применения

  • измерение устойчивости ответов после сжатия модели
  • сравнение показателей отказа от вредоносных запросов
  • оценка компромисса между безопасностью и полезностью модели
  • исследование восстановления сжатой модели с помощью LoRA

Ограничения

README характеризует чекпойнт как исследовательский объект, а не модель для развертывания: сжатие может ухудшать безопасное поведение. Приведённые метрики отражают ограниченный набор бенчмарков и требуют самостоятельной оценки для предполагаемого применения.

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_jbbsft1_remove20

A Mistral-7B-Instruct-v0.2 checkpoint compressed with Swift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 calibration) to 80.0% of dense parameters, then recovered with SVD-LLM's stage-2 LoRA (sequential U then V, alpaca_cleaned_jbbsft_x1.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)mistralai/Mistral-7B-Instruct-v0.2
compressionSwift-SVD (dynamic rank allocation, alpha 0.6, 256 x 2048 WikiText2 calibration), 20.00% of parameters removed
resulting parameter fraction0.8004
seed42
per-matrix ranksSwift-SVD allocation (compression.json ranks)

Measured

metricvalue
AdvBench ASR (HarmBench judge)0.0423
StrongREJECT ASR (HarmBench judge)0.0703
Macro over-refusal (WildGuard)0.3009
WikiText-2 perplexity7.4159

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
8bde734

0 моделей