/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
13,5 ГБ
Лицензия
Llama 2
Архитектура
llama · dense
Базовая модель
Llama-2-7b-chat-hf
Библиотека
transformers
Опубликована
12 сен 2026

svdsafety_l2_ablate_bottom64

Генерация текстаТекст → текст3 профессии

Исследовательский вариант Llama 2 7B Chat с удалёнными 64 наименьшими сингулярными компонентами обновления весов для изучения сохранения защитного выравнивания.

184скачиваний за 30 дней0лайковвеса обновлены12 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 подготовил исследовательский контрольный чекпойнт на базе Meta Llama 2 7B Chat и Llama 2 7B. Это плотная автрорегрессионная модель семейства Llama с 6,6 млрд параметров, контекстом 4096 токенов и интерфейсом чата; она принимает текст и генерирует текст. Веса изменены удалением 64 наименьших сингулярных компонент обновления dW во всех 224 проекциях. Величина возмущения весов нормирована к контрольному варианту, в котором удалены крупнейшие компоненты.

Чекпойнт предназначен для экспериментов по измерению сохранения защитного выравнивания при низкоранговом сжатии, а не для использования в качестве ассистента. В оценке AdvBench он показал долю отказов на вредоносные запросы 0,994 и долю успешных атак 0,0038; результаты относятся к конкретному тесту и не гарантируют поведение в других условиях. README также предупреждает о возможном ухудшении общих способностей и деградации генерации. Лицензия — Llama 2.

Сценарии применения

  • сравнение влияния сингулярных компонент на защитное выравнивание Llama 2
  • оценка сохранения отказов при низкоранговом сжатии языковой модели
  • воспроизведение контрольного эксперимента с абляцией весов Llama 2

Ограничения

Это исследовательский артефакт, не предназначенный для развёртывания как ассистент; README предупреждает об изменении поведения отказов и возможном ухудшении общих способностей. Приведённые показатели относятся к оценке AdvBench и не гарантируют результат на других запросах.

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

svdsafety_l2_ablate_bottom64

A safety-ablation research artifact, not a chat model. Control for ablate. Removes the 64 smallest singular components of dW instead of the largest, rescaled to the same Frobenius norm as the top-64 block, so the two edits damage the weights by an identical amount and differ only in which directions they touch.

Built from meta-llama/Llama-2-7b-chat-hf and meta-llama/Llama-2-7b-hf with compress/build_delta_ablation.py, k=64, all 224 projections edited, seed 42. The weight perturbation ||W' - W||_F / ||W||_F is 0.02423 averaged over matrices.

Measured behaviour

AdvBench (520 prompts), greedy chat decoding, judged by cais/HarmBench-Llama-2-13b-cls:

this checkpointdense Llama-2-7b-chat
attack success rate0.00380.0019
refusal rate (harmful)0.9940.994
degenerate output rate0.0040.000

Why these exist

Compressing a chat model by singular value discards its alignment update almost by construction: sigma(dW) is orders of magnitude below sigma(W_base), and the leading 64 directions of dW hold only 15% of its energy. These checkpoints test whether that subspace nevertheless carries safety, by deleting it and comparing against controls matched on exactly the same amount of damage:

edit (k=64; perturbation 0.02423 for all three)ASRrefusal
remove top-64 of dW0.09620.831
remove bottom-64 of dW0.00380.994
remove random 64 of dW0.00580.992

Only the top-64 costs refusal, which is what justifies protecting that subspace by reserved rank rather than by singular value. The subspaces themselves are at Jeesup/svdsafety_l2_delta_basis.

Intended use

Measuring how alignment survives low-rank compression. Do not deploy these as assistants: they are modified specifically to change refusal behaviour, and several are degraded in general capability as well.

Licence

Llama 2 Community License. LICENSE.txt and USE_POLICY.md are included here and use of this derivative is bound by both. Built with Llama 2.

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
8d9f6a3

0 моделей