/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
445 млн
Лицензия
Apache 2.0
Архитектура
lfm2 · dense
Базовая модель
LFM2.5-350M
Библиотека
transformers
Опубликована
29 авг 2026

LFM2.5-350M-Uncensored

Генерация текстаТекст → текст3 профессии

Компактная аблированная версия LiquidAI/LFM2.5-350M для исследований поведения отказов, red teaming и оценки защит языковых моделей.

74скачиваний за 30 дней1лайквеса 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/LFM2.5-350M-Uncensored — компактная плотная языковая модель для генерации текста и диалогов, созданная на основе LiquidAI/LFM2.5-350M. Разработчики применили к весам однонаправленную абляцию: выявили направление отказа в остаточном потоке и спроецировали его из матриц записи. Это изменение ранга 1, встроенное в веса; дополнительного дообучения не проводилось. Модель содержит 444,6 млн параметров, использует архитектуру Lfm2ForCausalLM, работает через Transformers и принимает контекст до 128 000 токенов.

Модель предназначена для исследований представления защитного поведения в языковых моделях, red teaming и оценки устойчивости механизмов отказа. На тестовых вредоносных запросах в README указан уровень отказов 0,0; на безвредных запросах среднее расхождение распределений следующих токенов с базовой моделью составило 0,2257, а оценка связности — 0,8935. Эти результаты относятся только к описанным проверкам. Модель может оставлять отдельные отказы и испытывать небольшое ухудшение способностей; ослабление защит может облегчить генерацию вредного или нежелательного контента.

Модель выпущена под лицензией Apache-2.0. В README она предназначена для исследований и оценки; для пользовательских продуктов требуется собственный уровень безопасности.

Сценарии применения

  • исследование механизмов отказа языковой модели
  • проверка устойчивости защит на вредоносных запросах
  • red teaming диалоговой языковой модели
  • оценка изменений поведения после удаления направления отказа

Ограничения

Защитные механизмы намеренно ослаблены, поэтому модель может чаще генерировать вредный или нежелательный контент; её не следует применять в пользовательских продуктах без дополнительного уровня безопасности. Абляция может оставлять остаточные отказы и вызывать небольшое ухудшение способностей, а оценка ограничена указанными в README тестами.

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

LFM2.5-350M-Uncensored

This is a directionally-ablated ("abliterated") version of LiquidAI/LFM2.5-350M, 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": 10,
  "alpha": 0.9413113683825102,
  "min_layer": 8,
  "max_layer": 12
}

Evaluation

metricvalue
refusal_rate0.0
mean_kl0.2257
coherence0.8935

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
2d7f9e7

0 моделей