/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
gemma4_unified · dense
Базовая модель
gemma-4-12B-it
Библиотека
transformers
Опубликована
19 авг 2026

gemma-4-12B-it-uncensored

Генерация текстаТекст → текст3 профессии

Производная модели TrevorJS/gemma-4-12B-it-uncensored. Инструкционная текстовая модель Gemma 4 12B с ослабленным поведением отказа для диалога и генерации ответов.

55скачиваний за 30 дней0лайковвеса обновлены19 авг 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

Карточка модели Justbackup/gemma-4-12B-it-uncensored на Hugging Face совпадает с карточкой TrevorJS/gemma-4-12B-it-uncensored, поэтому описание составлено по ней.

TrevorJS разработал gemma-4-12B-it-uncensored — версию Google Gemma 4 12B Instruct с удалённым поведением отказа. Это плотная модель семейства Gemma4Unified, дообученная на базе google/gemma-4-12B-it; веса доступны в формате safetensors. Модель предназначена для диалога и генерации текста, в том числе для сценариев, где требуется отвечать на запросы, которые исходная модель обычно отклоняет.

Для ослабления отказов применён метод norm-preserving biprojected abliteration: направление отказа оценивалось отдельно для слоёв, а модификация затронула верхние 70% слоёв. В тестах автор сообщает 14 отказов на 686 запросов из нескольких наборов; ручная проверка выявила один действительный отказ. Эти результаты относятся к проверенным наборам и не гарантируют такое же поведение на других запросах. Для запуска требуется Transformers версии 5.10.1 или новее. Лицензия — Apache 2.0.

Сценарии применения

  • диалоговый ассистент для запросов, которые часто вызывают отказ у стандартной модели
  • генерация ответов на пользовательские инструкции
  • сравнение поведения отказов до и после abliteration
  • исследование влияния удаления направления отказа на генерацию текста

Ограничения

Ослабление отказов может привести к генерации небезопасных ответов; приведённые показатели основаны на ограниченных тестовых наборах и не предсказывают поведение на всех запросах. Для инференса нужна Transformers версии 5.10.1 или новее.

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

gemma-4-12B-it-uncensored

Uncensored version of google/gemma-4-12B-it with refusal behavior removed.

Results

BeforeAfter
Refusals (mlabonne, 100 prompts)99/1006/100
Refusals (cross-dataset, 686 prompts)—14/686 (2.0%)
KL Divergence0 (baseline)0.0556
Quality (coherence)—no degradation (response audit + Q8 inference verified)

Cross-Dataset Validation

Tested against 4 independent prompt datasets to verify generalization:

DatasetPromptsRefusals
JailbreakBench1002/100
tulu-harmbench3204/320
NousResearch/RefusalDataset1664/166
mlabonne/harmful_behaviors1004/100
Total68614/686 (2.0%)

Every flagged cross-dataset response was manually audited (scripts/audit_refusals.py). Of 13 flags, only 1 is a genuine refusal (a sensitive prompt the model handles by redirecting to support resources); the other 12 are false positives — an "I am an AI" disclaimer, or a marker that matched inside generated content, followed by compliance. Effective refusal rate: ~0/686.

Method

Norm-preserving biprojected abliteration (grimjim, Nov 2025). Each weight row is decomposed into magnitude + direction, the refusal direction is projected out of the direction component only, then recombined with the original magnitude — guaranteeing ||W_new|| = ||W_orig||.

Note on the Unified architecture. gemma-4-12B-it is the encoder-free Gemma4Unified model (released 2026-06-03). Its refusal signal concentrates in the upper decoder layers (L15-47), so only the top 70% of layers are abliterated — ablating the near-zero-SNR early layers adds distortion with no refusal benefit. The arch also emits hard -inf logits for reserved vocabulary tokens, which NaNs a naive KL divergence; the reported KL masks non-finite positions before reducing.

Version requirements: inference needs transformers >= 5.10.1 (tested on 5.12.0, torch 2.11.0+cu130). GGUF conversion/quantization needs llama.cpp with Gemma4Unified support, added 2026-06-04 in PR #24118 (tested at commit c34b922).

Pipeline

  1. Load model in bf16 with LoRA adapters on o_proj and mlp.down_proj
  2. Collect residual activations for 400 harmful + 400 harmless prompts (mlabonne datasets)
  3. Winsorize activations at 99.5th percentile (clamps GeGLU outlier activations in Gemma family)
  4. Compute per-layer refusal direction: normalize(mean(harmful) - mean(harmless))
  5. Orthogonalize each direction against harmless mean (double-pass Gram-Schmidt)
  6. Apply norm-preserving weight modification to o_proj and down_proj in the selected layers
  7. Merge LoRA adapters into base weights for clean tensor names

Parameters

ParameterValue
Layers abliterated70%
Scale1.0
Winsorization0.995

How this differs from vanilla heretic

  • Norm-preserving biprojection instead of standard projection (preserves weight magnitudes)
  • Per-layer refusal directions instead of one global direction
  • Deterministic single-pass instead of 50-trial Optuna search (faster, same or better results)
  • LoRA merge before save for clean GGUF-compatible tensor names

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained("TrevorJS/gemma-4-12B-it-uncensored", dtype=torch.bfloat16, device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("TrevorJS/gemma-4-12B-it-uncensored")

messages = [{"role": "user", "content": "Your prompt here"}]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt", add_generation_prompt=True)
outputs = model.generate(inputs.to(model.device), max_new_tokens=512)
print(tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True))

Reproduction

Full code and experiment data: abliteration research repo

python scripts/abliterate.py biprojection --model google/gemma-4-12B-it \
  --top-pct 70 --strip-topic-markers --skip-prefix --batch-size 4 \
  --auto-save output_dir

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4UnifiedForConditionalGeneration
Ревизия весов
5dfa05a

0 моделей