/ 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-seed-bt

Генерация текстаТекст → текст3 профессии

Экспериментальная DPO-дообученная Gemma 2 для исследования дрейфа предпочтений и устойчивости оценивания LLM-судьями.

114скачиваний 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

Экспериментальная языковая модель ZDCSlab, выпущенная как часть материалов к исследованию «Rubrics as an Attack Surface: Stealthy Preference Drift in LLM Judges». Это дообученная методом Direct Preference Optimization (DPO) Gemma-2b-Uncensored-v1 с плотной архитектурой Gemma 2, размером 2,7 млрд параметров и контекстом 8192 токена. Модель работает с текстом и поддерживает диалоговый сценарий.

Чекпойнт обучен на смешанных данных Bench + Target с метками предпочтений, полученными судьёй на основе LLM по варианту рубрики seed. Он предназначен для изучения устойчивости оценки, дрейфа предпочтений и распространения изменений выравнивания на последующие модели. Лицензия в предоставленных данных не указана.

Сценарии применения

  • исследование дрейфа предпочтений при оценке ответов LLM
  • изучение влияния рубрик оценивания на выравнивание моделей
  • проверка устойчивости LLM-судей к вариантам рубрик
  • эксперименты с обучением на предпочтениях, размеченных LLM-судьёй

Ограничения

Модель предназначена для исследовательских экспериментов и не рекомендуется для производственного применения. Результаты обусловлены конкретной рубрикой seed и смешанными данными Bench + Target.

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-seed-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: seed
  • Training data: Bench + Target (mixed)
  • Objective: Direct Preference Optimization (DPO)

The seed condition corresponds to preference labels generated by an LLM judge under the seed 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
966d9f1

0 моделей