/ 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-Per-Layer-Refusal-Directions-alpha-1

Генерация текстаТекст → текст3 профессии

Экспериментально отредактированная Qwen3-14B для исследований направлений отказа и оценки послойного редактирования языковых моделей.

16скачиваний за 30 дней2лайкавеса 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 экспериментальный исследовательский вариант Qwen3-14B, созданный VecToRoTceV на основе Qwen/Qwen3-14B. Авторы применили к весам трансформера послойное редактирование: для каждого слоя вычли проекцию весов на нормированное направление отказа. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 14 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов.

Чекпойнт предназначен для исследований механистической интерпретируемости, редактирования моделей и контролируемой оценки влияния направлений отказа на ответы. В приведённых авторами оценках частота отказов снизилась относительно базовой модели, однако послойный вариант показал большее отклонение на безвредных запросах и немного меньший макро-балл возможностей, чем базовая модель. Это исследовательское условие не позиционируется как готовое к развёртыванию; поведение при длинной генерации отдельно не охарактеризовано.

Модель генерирует текст, имеет диалоговую возможность и распространяется по лицензии Apache-2.0. Авторы предоставили её для сравнения и повторного использования, подчёркивая, что это не предпочтительный результат исследования.

Сценарии применения

  • сравнение послойного и глобального удаления направлений отказа
  • исследование влияния редактирования весов на склонность модели к отказам
  • оценка сохранения возможностей после вмешательства в трансформер
  • воспроизведение экспериментов по механистической интерпретируемости
  • контролируемая оценка поведения диалоговой языковой модели

Ограничения

Авторы сообщают о повышенном отклонении на безвредных запросах и немного более низкой оценке возможностей по сравнению с базовой моделью; поведение при длинной генерации и частота нерелевантных ответов отдельно не оценены. Снижение отказов не подтверждает безопасность или корректность ответов, поэтому чекпойнт не рекомендуется авторами для развёртывания.

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 Per-Layer Refusal-Direction Edit (alpha=1)

Experimental research condition, released for comparison and reuse. This checkpoint is not the preferred result of the associated study. It is published so that researchers can inspect, reproduce, and extend the tested per-layer intervention.

Model summary

FieldValue
Base modelQwen/Qwen3-14B
Base revision40c069824f4251a91eefaf281ebe4c544efd3e18
MethodOne normalized refusal direction per transformer layer
Direction positionFixed post-instruction position -8 for every layer
Strengthalpha=1 on every supported residual writer
FormatBF16 Transformers checkpoint, six sharded safetensors files
Validated softwareTransformers 4.57.6

For layer-specific unit direction r_l, each supported output-space weight in layer l is edited as:

W_l,new = W_l - r_l (r_l^T W_l)

Each block uses its original resid_post[l] direction for its attention o_proj and MLP down_proj. The untied embedding uses the block-0 output direction. The unembedding, Q/K/V, gate/up projections, and RMSNorm tensors are unchanged.

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=111.71%50.87%98.40%70.40%0.06752
Per-layer alpha=111.95%49.17%98.40%69.40%0.19770

An independent garak-llm/garak-refusal-detector classifier measured 51.46% refusal for Base and 0.00% 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), this checkpoint scored 86.32% prompt-strict, 90.53% instruction-strict, 88.54% prompt-loose, and 91.97% instruction-loose.

Interpretation and known limitations

This experiment does not show that Per-layer editing is better than the simpler Global method. At alpha=1, refusal reduction is similar while Per-layer has roughly three times the benign KL and a 1.0-point lower capability macro score. The paper's main empirical conclusion therefore does not favor this checkpoint.

The initial refusal evaluation reached its 256-token cap for 94.39% of Per-layer responses. Unlike Global alpha=0.75, this checkpoint did not receive a dedicated 1024-token output-degradation and relevance rerun. Its long-generation stopping, repetition, and off-topic rates are therefore uncharacterized, not assumed to be acceptable.

Per-layer directions are statistically stable under 200 bootstrap and 200 half-sample recomputations, and their pairwise cosine geometry rotates across model depth. Stable geometry does not by itself imply a superior intervention trade-off.

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 serialized checkpoint passed save/reload, six-shard index, activation-versus-weight, determinism, dtype/device, and tied-weight handling checks before release. Users should perform a fresh-download load and benign smoke test against the exact Hub revision they consume.

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
8742d09

0 моделей