/ Модель

Характеристики

Контекст
262 144 токена
Параметры
581 млн
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-0.8B
Библиотека
transformers
Опубликована
29 авг 2026

Qwen3.5-0.8B-Uncensored

Генерация текстаТекст → текст3 профессии

Текстовая модель Qwen3.5-0.8B с удалённым направлением отказа для исследований безопасности, red teaming и генерации диалоговых ответов.

181скачиваний 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

Qwen3.5-0.8B-Uncensored — текстовая причинно-языковая модель на архитектуре Qwen3.5, созданная Null-Guard путём направленной абляции базовой Qwen/Qwen3.5-0.8B. Это версия примерно с 581 млн параметров, в которой из весов линейным изменением удалено направление отказа; дообучение не проводилось. Модель принимает текст и предназначена для генерации ответов и диалогов, а также для исследований поведения отказов, red teaming и оценки защитных механизмов. Контекстное окно составляет 262 144 токена.

Абляция снижает склонность модели отказывать, что делает её полезным инструментом для экспериментов с безопасностью и устойчивостью защит. По приведённым в карточке оценкам, доля отказов на выбранном наборе вредоносных запросов составила 0,0, а расхождение с базовой моделью на безвредных запросах было небольшим; эти результаты ограничены описанными тестами и не гарантируют поведения на других запросах. Линейная правка может оставлять отдельные отказы и вызывать небольшое ухудшение способностей. Защитные ограничения намеренно ослаблены, поэтому модель может чаще выдавать вредоносный или нежелательный контент и не предназначена для пользовательского продукта без дополнительного защитного слоя. Лицензия — Apache-2.0; авторы указывают, что необходимо соблюдать также лицензию базовой модели и применимые законы.

Сценарии применения

  • исследование механизмов отказа в языковых моделях
  • red teaming защитных механизмов чат-моделей
  • оценка устойчивости и локальности отказов
  • генерация ответов для контролируемых исследований безопасности

Ограничения

Защитные механизмы намеренно ослаблены, поэтому модель может чаще генерировать вредоносный или нежелательный контент; для пользовательского применения требуется дополнительная защита. Абляция может оставлять остаточные отказы и вызывать небольшое изменение способностей, а проверка охватывала только описанные в карточке 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

Qwen3.5-0.8B-Uncensored

This is a directionally-ablated ("abliterated") version of Qwen/Qwen3.5-0.8B, 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": 23,
  "alpha": 0.8834415188257777,
  "min_layer": 18,
  "max_layer": 22
}

Evaluation

metricvalue
refusal_rate0.0
mean_kl0.005
coherence0.845

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
Qwen3_5ForCausalLM
Ревизия весов
90186d6

0 моделей