/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
14 млрд
Размер весов
29,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-14B
Библиотека
transformers
Опубликована
11 авг 2026

Qwen3-14B-Global-Refusal-Direction-alpha-0.75

Генерация текстаТекст → текст3 профессии

Экспериментально отредактированная Qwen3-14B для исследований влияния проекции направления отказа на поведение языковой модели.

13скачиваний за 30 дней0лайковвеса обновлены11 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

Это экспериментально отредактированная версия языковой модели Qwen3-14B, опубликованная для исследований механистической интерпретируемости и редактирования моделей. Авторы применили глобальную проекцию одного направления отказа с коэффициентом alpha=0,75 к весам эмбеддингов, выходным проекциям внимания и нижним проекциям MLP. Модель содержит 14 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов; она принимает и генерирует текст в диалоговом режиме.

Редактирование заметно снижает частоту отказов в описанных авторами оценках, но эти результаты не подтверждают корректность ответов или безопасность. Авторы также зафиксировали деградацию генерации: повторы, нерелевантные ответы и частое достижение лимита длины. Модель предназначена для контролируемых исследований и независимой оценки, а не для развертывания без проверок. Лицензия — Apache-2.0.

Сценарии применения

  • изучение влияния редактирования направления отказа на ответы модели
  • сравнение склонности базовой модели и отредактированного чекпойнта к отказам
  • исследование механистической интерпретируемости языковых моделей
  • оценка повторов, релевантности и остановки генерации после редактирования весов

Ограничения

В оценках авторов отмечены частые достижения лимита генерации, повторы и нерелевантные ответы; качество и безопасность ответов этим чекпойнтом не гарантируются. Перед применением необходимо независимо проверить поведение модели на целевых задачах.

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

Qwen3-14B Global Refusal-Direction Edit (alpha=0.75)

Research release with known output-degradation limitations. This checkpoint is provided to reproduce and study refusal-direction editing. A human release decision overrides the project's predeclared structural output-quality gate; the gate itself remains recorded as failed.

Model summary

FieldValue
Base modelQwen/Qwen3-14B
Base revision40c069824f4251a91eefaf281ebe4c544efd3e18
MethodGlobal single refusal-direction weight projection
Direction sourcedecoder-block input resid_pre, layer 25, post-instruction position -8
Strengthalpha=0.75 on every supported residual writer
FormatBF16 Transformers checkpoint, six sharded safetensors files
Validated softwareTransformers 4.57.6

For unit direction r, the edited output-space weight is:

W_new = W - 0.75 r (r^T W)

The edit covers model.embed_tokens.weight, every attention o_proj, and every MLP down_proj. It does not modify the unembedding, Q/K/V, gate/up projections, or RMSNorm tensors.

Evaluation

All comparisons use fixed prompts and matched decoding settings. Prompt and completion bodies are not distributed with this model.

ConditionRefusal rateProxy usefulnessXSTest safe answerCapabilityBenign KL
Base84.39%3.82%89.20%70.60%0.00000
Global alpha=0.7525.61%29.48%97.60%70.70%0.04088

An independent garak-llm/garak-refusal-detector classifier measured 51.46% refusal for Base and 0.98% for this checkpoint on the same 410-sample refusal set. It is a binary synthetic-data classifier, not the official StrongREJECT evaluator, and does not establish response correctness or safety.

On complete IFEval (541 prompts, 834 instructions), strict prompt accuracy was 84.84% versus 85.21% for Base. The four strict/loose differences from Base ranged from -0.37 to -0.84 percentage points.

Known output-degradation limitation

The initial 256-token refusal evaluation had a 95.37% cap-hit rate. A dedicated 1024-token rerun found:

  • 28.29% of responses still reached the 1024-token cap;
  • 10.00% crossed the preregistered high-repetition threshold;
  • the off-topic proxy rate was 11.71%; and
  • a small number of extended generations did not exactly reproduce the original capped prefix.

These findings triggered the project's structural stop condition. They are not hidden or relabeled as a passed gate. Users should independently evaluate stopping behavior, repetition, relevance, and task performance for their intended setting.

Intended use and limitations

This checkpoint is intended for mechanistic-interpretability, model-editing, and controlled evaluation research. It is not presented as safe, universally "uncensored," capability-preserving for every task, or suitable for deployment. Reducing refusal behavior does not show that the model has lost its internal representation of harmfulness.

No public API, Space, managed endpoint, or interactive service is maintained by this project.

Reproducibility

Code, configurations, aggregate results, plots, and the technical report are available at VecToR-1024/qwen3-refusal-direction-removal. The repository excludes extraction prompt bodies and restricted generations.

The six weight shards, their index, and their SHA-256 values were audited before upload. A fresh process successfully loaded the serialized checkpoint and produced a non-empty valid-Unicode benign smoke response.

License

The base model and this derivative checkpoint are distributed under Apache-2.0. The base model's notices and attribution remain applicable. Dataset licenses remain applicable to their source data; dataset bodies are not redistributed here.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
3820e1c

0 моделей