/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,7 млрд
Размер весов
6,4 ГБ
Архитектура
gemma2 · dense
Базовая модель
Gemma-2b-Uncensored-v1
Библиотека
transformers
Опубликована
19 фев 2026

ripd-anthropic-saferlhf-gemma-2b-uncensored-v1-biased-bt

Генерация текстаТекст → текст3 профессии

Исследовательская дообученная Gemma 2 на 2,7 млрд параметров для изучения влияния смещённых предпочтений оценщика на выравнивание языковых моделей.

100скачиваний за 30 дней0лайковвеса обновлены21 фев 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

ZDCSlab/ripd-anthropic-saferlhf-gemma-2b-uncensored-v1-biased-bt — исследовательский текстовый генератор на архитектуре Gemma 2, обученный командой ZDCSlab для изучения того, как смещение предпочтений оценщика влияет на последующее выравнивание языковых моделей. Это чекпойнт с условием anthropic-saferlhf и метками предпочтений biased, сформированными судьёй на основе смещённой рубрики; обучение выполнено методом Direct Preference Optimization (DPO) на смеси Bench и Target.

Модель основана на sirev/Gemma-2b-Uncensored-v1, содержит 2,7 млрд параметров, использует Transformers и формат safetensors, поддерживает контекст до 8192 токенов. Она предназначена для исследовательских экспериментов с устойчивостью к оцениванию, дрейфом предпочтений и распространением смещений в alignment, а не для производственного развертывания. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Исследование дрейфа предпочтений при оценке ответов LLM
  • Изучение влияния смещённой рубрики на предпочтения языковой модели
  • Эксперименты по распространению оценочного смещения в alignment
  • Сравнение поведения модели при различных условиях preference learning

Ограничения

Модель предназначена для исследований и не рекомендуется для производственного применения. Обучение на метках biased специально отражает смещённую рубрику и может влиять на предпочтения модели.

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

ZDCSlab/ripd-anthropic-saferlhf-gemma-2b-uncensored-v1-biased-bt

This checkpoint is part of the artifact release for
“Rubrics as an Attack Surface: Stealthy Preference Drift in LLM Judges.”

It is a policy model trained under a specific rubric condition to study how evaluation-time preference drift propagates into downstream alignment.


Configuration

  • Setting: anthropic-saferlhf
  • Base model: Gemma-2b-Uncensored-v1
  • Label condition: biased
  • Training data: Bench + Target (mixed)
  • Objective: Direct Preference Optimization (DPO)

The biased condition corresponds to preference labels generated by an LLM judge under the biased rubric variant.


Intended Use

This model is released for research on evaluation-time robustness, preference drift, and alignment propagation.
It is not intended for production deployment.


Resources

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma2ForCausalLM
Ревизия весов
ab01836

0 моделей