/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
221 млн
Лицензия
Apache 2.0
Архитектура
lfm2 · dense
Базовая модель
LFM2.5-230M
Библиотека
transformers
Опубликована
29 авг 2026

LFM2.5-230M-Uncensored

Генерация текстаТекст → текст3 профессии

Компактная текстовая модель LFM2 с ослабленным механизмом отказа для исследований безопасности и red teaming.

83скачиваний за 30 дней0лайковвеса обновлены29 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

Null-Guard/LFM2.5-230M-Uncensored — компактная языковая модель Liquid AI на архитектуре LFM2, изменённая методом directional ablation. Веса модели LiquidAI/LFM2.5-230M были отредактированы проекцией компонентов, записывающих данные в residual stream, вне направления отказа; дообучение не проводилось. Модель содержит 221,2 млн параметров, принимает текст и поддерживает контекст до 128 000 токенов.

Модель предназначена для изучения представления отказов в языковых моделях, red teaming и оценки защитных механизмов. Она генерирует текст в ответ на запросы и заметно реже отказывает, в том числе на вредоносных запросах; в описанной оценке частота отказов составила 0. Это свойство делает её исследовательским инструментом, а не готовым компонентом для пользовательского продукта.

Линейное удаление направления отказа может оставить отдельные отказы и вызвать небольшое изменение возможностей. Оценка ограничена указанными в карточке тестами, поэтому поведение на других запросах может отличаться. Модель выпущена по лицензии Apache-2.0; авторы предупреждают, что защитные механизмы ослаблены, и рекомендуют добавлять собственный слой безопасности перед пользовательским применением.

Сценарии применения

  • изучение механизмов отказа в языковых моделях
  • red teaming текстовых моделей
  • оценка устойчивости защитных механизмов
  • исследование локальности направления отказа
  • сравнение генерации до и после удаления направления отказа

Ограничения

Защитные механизмы намеренно ослаблены, поэтому модель может охотнее генерировать вредный или нежелательный контент; перед пользовательским применением требуется собственный защитный слой. Линейная абляция может оставить остаточные отказы и вызвать небольшое изменение возможностей, а проверка охватывала только описанные тесты.

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

LFM2.5-230M-Uncensored

This is a directionally-ablated ("abliterated") version of LiquidAI/LFM2.5-230M, produced with ablate — an activation-engineering toolkit for mechanistic-interpretability and safety research.

The model's refusal direction(s) were identified in the residual stream and projected out of the weights, reducing the model's tendency to refuse. No weights were fine-tuned; this is a rank-1 linear edit.

Method

  • Technique: single-direction ablation (baked)
  • Direction extraction: difference-of-means on matched harmful/harmless instruction pairs (Arditi et al., 2024, "Refusal in LLMs is mediated by a single direction").
  • Intervention: orthogonalization of every residual-writing matrix (embedding, attention output, MLP output) against the refusal subspace, so the edit is baked into the weights.

Ablation configuration

{
  "direction_layer": 12,
  "alpha": 1.2485360790589348,
  "min_layer": 12,
  "max_layer": 13
}

Evaluation

metricvalue
refusal_rate0.0
mean_kl0.101
coherence0.9096

Refusal rate is measured on held-out harmful prompts; mean_kl is the mean KL divergence of next-token distributions vs. the base model on benign prompts (lower ⇒ less capability drift). ASR (if present) is the judged attack-success rate on a harmful benchmark.

Intended use

Research into how safety behaviour is represented in language models, red-teaming, and building better defenses. Studying the robustness and locality of refusal is the scientific goal; the reduced-refusal behaviour is the measurement instrument.

⚠️ Responsible use

This model has had safety guardrails deliberately weakened and will more readily produce harmful, unsafe, or otherwise objectionable content than the base model. It is released for research and evaluation. Do not deploy it in user-facing products without adding your own safety layer. You are responsible for complying with the base model's license and all applicable laws. The authors of ablate accept no liability for misuse.

Limitations

  • Ablation is a blunt linear edit: it can leave residual refusals and may cause mild capability drift (see mean_kl above).
  • Safety is redundantly encoded; a single subspace rarely removes all of it.
  • Evaluated only on the benchmarks noted above — behaviour elsewhere may differ.

Citation

If you use this model or ablate, please cite Arditi et al. (2024), Refusal in Language Models Is Mediated by a Single Direction (arXiv:2406.11717).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2ForCausalLM
Ревизия весов
b8a07a0

0 моделей