/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Лицензия
Llama 3.1
Архитектура
llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Опубликована
3 апр 2026

abliterated-llama-8b

Генерация текстаТекст → текст3 профессии

Диалоговая текстовая модель Llama 3.1 8B с удалённым механизмом отказа, предназначенная для авторизованных исследований безопасности и red teaming.

45скачиваний за 30 дней3лайкавеса обновлены3 апр 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

WWTCyberLab выпустила abliterated-версию инструкционной модели Meta Llama 3.1 8B Instruct. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и генерирует текст в диалоговом режиме. В метаданных указан контекст до 131 072 токенов, а карточка описывает применение для исследований безопасности, red teaming, CTF и изучения устойчивости выравнивания моделей.

Из весов проекцией удалено направление отказа, поэтому модель не имеет защитного выравнивания и, согласно README, выполняет запросы без отказа. Создатели сообщают о сохранении общих возможностей, однако приведённые результаты основаны на ограниченном наборе тестовых запросов. Модель предназначена только для авторизованных исследований и оценки внешних защитных механизмов, а не для пользовательских или производственных приложений. Лицензия — Llama 3.1; применяются условия лицензии Meta.

Сценарии применения

  • проверка устойчивости внешних фильтров и защитных слоёв
  • исследование уязвимости выравнивания открытых языковых моделей
  • тестирование обнаружения модифицированных моделей
  • проведение авторизованных CTF-упражнений по безопасности
  • оценка поведения модели на запросах, вызывающих отказ

Ограничения

Модель не имеет защитного выравнивания и может выполнять вредоносные запросы; README прямо запрещает развёртывание в производственных и пользовательских приложениях. Заявленные показатели получены на ограниченном наборе тестов и сами по себе не гарантируют качество или безопасность в других сценариях.

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

Abliterated Llama-3.1-8B-Instruct

An abliterated (safety-removed) version of Meta Llama-3.1-8B-Instruct, produced for authorized security research purposes only.

What is Abliteration?

Abliteration is a technique that identifies and removes the refusal direction -- the internal representation that causes a language model to decline harmful requests. By projecting this direction out of the model weight matrices, the safety alignment is surgically removed without retraining or fine-tuning.

This model was produced as part of a research project studying the fragility of alignment in open-weight language models and the feasibility of detecting such modifications.

Model Details

PropertyValue
Base Modelmeta-llama/Llama-3.1-8B-Instruct (via unsloth/Llama-3.1-8B-Instruct)
ArchitectureLlamaForCausalLM, 32 layers, 8B parameters
Precisionbfloat16
Context Length128K tokens
Ablation MethodVibe-YOLO (iterative, LLM-advisor-guided layer selection and scale tuning)
Iterations3
TechniqueMulti-layer norm-preserving refusal direction ablation

Ablation Results

MetricOriginalAbliterated
Refusal Rate~88%0%
Quality (Elo)1452.91547.1 (+94.2)
Quality Preservation (QPS)--96.6%
  • 0% residual refusal across 48 harmful test prompts spanning 15 categories (social engineering, hacking, weapons, fraud, drugs, surveillance, CBRN, self-harm, disinformation, cyber weapons, jailbreak, dual-use, harassment, manipulation)
  • +94 Elo improvement -- the abliterated model produces higher-quality responses on general benchmarks, consistent with the finding that safety hedging degrades output quality
  • 96.6% quality preservation on harmless prompts -- general capabilities are fully intact

Intended Use

This model is released strictly for:

  • Security research: Studying alignment fragility, developing detection methods for tampered models, and testing guardrail systems
  • Red teaming: Evaluating the robustness of external safety layers and content filters
  • CTF / Capture the Flag: Authorized security competitions and exercises
  • Academic research: Understanding the geometry of refusal in transformer models

Limitations and Risks

  • This model has no safety alignment. It will comply with any request regardless of content.
  • It should never be deployed in production or user-facing applications.
  • Outputs on harmless prompts are nearly indistinguishable from the original model -- abliteration is difficult to detect without specifically probing for refusal behavior.

Citation

This model was produced as part of a Cisco security research project on LLM alignment fragility and backdoor/trojan detection.

Disclaimer

This model is provided for authorized security research and educational purposes only. The creators are not responsible for any misuse. Use of this model must comply with all applicable laws and regulations.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
418112b

0 моделей