/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
18 июл 2026

qwen-1.5b-abliterated

Генерация текстаТекст → текст3 профессии

Диалоговая Qwen2.5-1.5B с удалённым направлением отказа предназначена для исследований поведения безопасности и red teaming.

65скачиваний за 30 дней3лайкавеса обновлены18 июл 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

ai-anytime выпустила диалоговую модель Qwen2.5-1.5B-Instruct с направленной абляцией отказов для исследований механизмов безопасности языковых моделей. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, контекстом до 32 768 токенов и форматом весов Safetensors. Модель принимает текст и генерирует текст; основной сценарий — диалоги и генерация ответов на инструкции.

Авторы удалили из весов направление отказа линейной проекцией ранга 1, без дообучения. В приведённой оценке доля отказов на тестовых вредоносных запросах составила 0%, а показатель успешности атак — 0,487. Модель предназначена для изучения представления отказов, red teaming и оценки защитных механизмов, а не для непосредственного использования в пользовательских продуктах.

Абляция может оставлять отдельные отказы и вызывать небольшое ухудшение возможностей; поведение за пределами проверенных бенчмарков не оценено. Модель чаще генерирует вредный или неприемлемый контент, чем исходная версия, поэтому для прикладного использования необходим отдельный защитный слой. Лицензия — Apache-2.0.

Сценарии применения

  • изучение механизмов отказа языковых моделей
  • red teaming диалоговых языковых моделей
  • оценка устойчивости защитных механизмов
  • исследование локальности поведения отказа
  • генерация ответов на инструкции в экспериментах по безопасности

Ограничения

Защитные механизмы намеренно ослаблены, поэтому модель может чаще генерировать вредный контент; для пользовательских продуктов нужен отдельный защитный слой. Абляция может оставлять отказы и вызывать небольшое ухудшение возможностей, а результаты за пределами указанных бенчмарков не установлены.

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

qwen-1.5b-abliterated

This is a directionally-ablated ("abliterated") version of Qwen/Qwen2.5-1.5B-Instruct, produced with ablate — an activation-engineering toolkit for mechanistic-interpretability and safety research.

The model's refusal direction(s) were identified in the residual stream and projected out of the weights, reducing the model's tendency to refuse. No weights were fine-tuned; this is a rank-1 linear edit.

Method

  • Technique: single-direction ablation (baked)
  • Direction extraction: difference-of-means on matched harmful/harmless instruction pairs (Arditi et al., 2024, "Refusal in LLMs is mediated by a single direction").
  • Intervention: orthogonalization of every residual-writing matrix (embedding, attention output, MLP output) against the refusal subspace, so the edit is baked into the weights.

Ablation configuration

{
  "direction_layer": 22,
  "alpha": 1.0,
  "min_layer": 0,
  "max_layer": 28
}

Evaluation

metricvalue
asr0.487
refusal_rate0.0
baseline_refusal1.0

Refusal rate is measured on held-out harmful prompts; mean_kl is the mean KL divergence of next-token distributions vs. the base model on benign prompts (lower ⇒ less capability drift). ASR (if present) is the judged attack-success rate on a harmful benchmark.

Intended use

Research into how safety behaviour is represented in language models, red-teaming, and building better defenses. Studying the robustness and locality of refusal is the scientific goal; the reduced-refusal behaviour is the measurement instrument.

⚠️ Responsible use

This model has had safety guardrails deliberately weakened and will more readily produce harmful, unsafe, or otherwise objectionable content than the base model. It is released for research and evaluation. Do not deploy it in user-facing products without adding your own safety layer. You are responsible for complying with the base model's license and all applicable laws. The authors of ablate accept no liability for misuse.

Limitations

  • Ablation is a blunt linear edit: it can leave residual refusals and may cause mild capability drift (see mean_kl above).
  • Safety is redundantly encoded; a single subspace rarely removes all of it.
  • Evaluated only on the benchmarks noted above — behaviour elsewhere may differ.

Citation

If you use this model or ablate, please cite Arditi et al. (2024), Refusal in Language Models Is Mediated by a Single Direction (arXiv:2406.11717).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
3867b33

0 моделей