/ 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_addbase_top256

Генерация текстаТекст → текст3 профессии

Исследовательский вариант Llama 2 для изучения сохранения отказов от вредных запросов при низкоранговом изменении весов.

190скачиваний за 30 дней1лайквеса 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/svdsafety_l2_addbase_top256 — исследовательский чекпойнт на базе Llama 2, созданный добавлением ведущего подпространства ранга 256 из разности весов чат-модели к базовой модели без чата. Изменены все 224 проекции; среднее относительное возмущение весов составляет 0,03719. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат Safetensors, контекст — 4096 токенов.

Чекпойнт предназначен для экспериментов с низкоранговым сжатием и оценки того, как отдельные компоненты обновления выравнивания влияют на отказ от вредных запросов. В тесте AdvBench на 520 запросах зафиксированы частота отказов 0,996 и частота успешных атак 0,0077; авторы также сообщают о небольшой доле вырожденных ответов. Модель не предназначена для использования в качестве ассистента: изменения затрагивают поведение отказов и могут ухудшить общие возможности. Лицензия — Llama 2.

Сценарии применения

  • измерение отказов на вредные запросы после низкорангового изменения весов
  • сравнение влияния подпространств обновления выравнивания на безопасность
  • оценка сохранения защитного поведения при сжатии языковой модели

Ограничения

Это исследовательский артефакт, не предназначенный для развёртывания в качестве ассистента; модификация может ухудшить общие возможности модели. В README указана небольшая доля вырожденных ответов в тесте.

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_addbase_top256

A safety-ablation research artifact, not a chat model. Grafts the leading rank-256 subspace of dW onto the base (non-chat) model: W' = W_base + U_k S_k V_k^T. Tests whether that slice alone carries refusal behaviour.

Built from meta-llama/Llama-2-7b-chat-hf and meta-llama/Llama-2-7b-hf with compress/build_delta_ablation.py, k=256, all 224 projections edited, seed 42. The weight perturbation ||W' - W||_F / ||W||_F is 0.03719 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 rate0.00770.0019
refusal rate (harmful)0.9960.994
degenerate output rate0.0060.000

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
5f671e3

0 моделей