/ Модель

Характеристики

Размер весов
51,6 ГБ
Лицензия
Gemma
Архитектура
gemma4 · dense
Базовая модель
gemma-4-26B-A4B-it
Библиотека
transformers
Опубликована
6 апр 2026

gemma-4-26B-A4B-it-abliterated

Генерация текстаТекст → текст3 профессии

Экспериментальная диалоговая модель на базе Gemma 4 с ослабленными механизмами отказа для исследований безопасности.

76скачиваний за 30 дней6лайковвеса обновлены12 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 Gemma 4 26B-A4B-IT Abliterated — экспериментальную версию диалоговой модели Google gemma-4-26B-A4B-it с изменёнными весами. Модель использует архитектуру MoE с 26 млрд параметров и примерно 3,8 млрд активных параметров на токен; для инференса в карточке указан формат safetensors и библиотека Transformers.

Модель предназначена для генерации ответов в диалоге и экспериментов по исследованию безопасности и выравнивания. Автор описывает двухпроходное подавление отказов через абляцию слоёв и остаточных направлений, а также изменение токеновых эмбеддингов. В приведённых тестах доля жёстких отказов составила 1,9% на AdvBench, однако результаты не подтверждают поведение на широком наборе задач.

Карточка заявляет, что модель предназначена только для исследований безопасности и обучения. Она распространяется по лицензии Gemma; следует учитывать её условия. Изменение механизмов отказа может приводить к ответам на небезопасные запросы, поэтому модель не следует считать безопасной для обычного пользовательского развёртывания.

Сценарии применения

  • изучение поведения механизмов отказа в LLM
  • сравнение ответов модели до и после абляции весов
  • исследование безопасности и выравнивания диалоговых моделей

Ограничения

Изменение механизмов отказа ослабляет защиту от небезопасных запросов; результаты тестов в карточке ограничены указанными наборами и не гарантируют качество или безопасность в других сценариях. Следует соблюдать условия лицензии Gemma.

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

Gemma 4 26B-A4B-IT - Abliterated (MoE, Multi-Pass + Suppression)

Safety-alignment substantially removed via multi-pass ablation and token suppression for security research.

Results

MetricValue
Refusal Rate4.2% hard refusal (2/48), 25% soft hedging (12/48) at temp 0.4
MMLU65.1% (5-shot), +0.7% vs original (64.4%)
Quality (QPS)107%+
Elo DeltaPositive (quality improved)

Technique: Three-Stage Approach

Stage 1: Concentrated Ablation (100% -> ~50%)

Target top 3 layers (16, 18, 19) at scale 4.0 with 4 weight types. Concentrated targeting outperforms distributed on this 128-expert MoE architecture.

Stage 2: Multi-Pass Residual Re-Measurement (~50% -> ~37%)

Re-measure refusal directions on the abliterated model. Key discovery: residual directions are negatively correlated (cosines -0.2 to -0.35) — the model reroutes refusal through anti-correlated pathways. Ablating these flipped directions reduces refusal further.

Stage 3: Token Embedding Suppression (~37% -> ~0% deterministic)

Refusal pattern analysis revealed the model uses ***Disclaimer:** as its primary escape pattern. Suppressing 13 refusal-starting token embeddings (strength=5) in embed_tokens.weight dramatically reduced remaining refusal.

Why MoE Is Different

128-expert, top-8-routing models have the flattest refusal signal we've measured (Gini 0.264, peak/median 1.21x). Standard ablation heuristics target too many layers, disrupting expert routing. Concentrated targeting with multi-pass iteration is the key.

What We Learned

  • Concentrated > distributed at every configuration
  • 2 passes optimal — 3rd pass always makes things worse
  • Re-target same layers with flipped residual directions
  • Token suppression stacks independently with ablation
  • P2 scale 3.0 optimal — confirmed by sweep across 1.5-4.0

Stochastic Refusal Finding

Inference probe analysis revealed all remaining "refusals" are stochastic -- the same prompts comply on re-run, with paraphrases, and with educational framing. At temperature 0 (greedy), this model likely has 0% refusal. The multi-pass ablation + token suppression fully eliminates deterministic refusal mechanisms.

Model Details

  • Base Model: google/gemma-4-26B-A4B-it
  • Parameters: 26B (3.8B active per token)
  • Architecture: MoE, 128 experts, top-8 routing
  • Text Layers: 30
  • Ablation: 2-pass (P1: layers 16,18,19 scale 4.0; P2: residual top-10 scale 3.0)
  • Token Suppression: 13 tokens at strength 5 (embed_tokens modification)

AdvBench Benchmark (520 prompts)

MetricResult
Hard refusal10/520 (1.9%)
Soft hedging205/520 (39.4%)
Complied305/520 (58.7%)

10 hard refusals cluster in violence/harassment/discrimination categories. All use the same template refusal pattern with garbled think-tokens.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "WWTCyberLab/gemma-4-26B-A4B-it-abliterated",
    torch_dtype="bfloat16",
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained("WWTCyberLab/gemma-4-26B-A4B-it-abliterated")

messages = [{"role": "user", "content": "Your prompt here"}]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)
outputs = model.generate(inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Disclaimer

Released for security research and educational purposes only.

Citation

Produced by WWT Cyber Lab. Multi-pass ablation with token suppression across 13 rounds of experimentation.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma4ForConditionalGeneration
Ревизия весов
3164db0

0 моделей