/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,4 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
6 сен 2026

Qwen3.5-4B-abliterated

Генерация текстаТекст → текст3 профессии

Дообученная версия Qwen3.5-4B для авторизованного red-team-тестирования защитных механизмов и подготовки данных для фильтров безопасности.

412скачиваний за 30 дней0лайковвеса обновлены14 сен 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

darkengross/Qwen3.5-4B-abliterated — производная текстовая языковая модель на основе Qwen3.5-4B, дообученная удалением поведения отказа и настройкой на выполнение запросов. Она предназначена для авторизованного red-team-тестирования защитных механизмов: генерации adversarial- и jailbreak-запросов, а также пар вредоносных примеров для обучения фильтров и классификаторов безопасности. В карточке указаны архитектура Qwen3_5ForCausalLM, около 3,4 млрд параметров, контекст до 262 144 токенов и поддержка английского языка; модель работает через Transformers и распространяется в формате safetensors.

README сообщает о сохранении общих возможностей базовой модели и улучшении результата на GSM8K, но также о снижении на TruthfulQA и ухудшении точного следования формату на IFEval. По описанию автора, модель намеренно выполняет вредоносные запросы, поэтому её применение ограничено тестированием и исследованиями безопасности в разрешённом контексте; она не предназначена для пользовательских или производственных систем. Лицензия — Apache-2.0.

Сценарии применения

  • генерация jailbreak-запросов для проверки защитных механизмов
  • red-team-оценка устойчивости чат-ботов к вредоносным запросам
  • создание пар вредоносных примеров для обучения классификаторов безопасности
  • проверка фильтров и систем модерации на adversarial-примерах

Ограничения

Модель намеренно настроена на выполнение вредоносных запросов и не предназначена для производственного или пользовательского развертывания; README отмечает ухудшение на TruthfulQA и в точном следовании формату. Использовать её следует только в разрешённом контексте тестирования безопасности.

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

Qwen3.5-4B — Refusal-Ablated + Compliance-Tuned (red-team variant)

⚠️ This model is deliberately uncensored. It complies with harmful requests by design. It exists to generate adversarial inputs for authorized red-teaming of customer-facing AI systems — i.e. to find where guardrails fail against non-obvious prompts. It is not for general use.

TL;DR

A derivative of Qwen/Qwen3.5-4B with the refusal behaviour removed via directional ablation (Arditi et al., 2024) and then instruction-tuned for compliance. On a held-out harmful set (AdvBench + JBB + HarmBench), judged by a safety classifier, it produces genuinely harmful content on 100% of prompts while retaining base-level general capability.

Why two stages (and why the ablation alone is not enough)

Abliteration removes the single dominant refusal direction from the residual stream. That stops explicit "I cannot" refusals — but a distributed soft-refusal / deflection tendency survives, so ablation alone genuinely complies only ~19% of the time (it just stops using refusal keywords, which fools naive metrics). A second compliance SFT pass overrides that residual deflection and takes true compliance to 100%.

Measurement note: compliance here is judged by a safety model (Qwen3Guard-Gen-0.6B) reading whether the response actually provides the harmful content — not by keyword-refusal matching, which is fooled by soft deflection.

Evaluation

True harmful compliance (judged, n=150 held-out incl. HarmBench):

ModelTrue harmful compliance
base Qwen3.5-4B0.0%
ablation only19.3%
ablation + generic SFT90.7%
this model (ablation + compliance SFT)100.0%

Capability retention (n=200/task, thinking off):

Taskbasethis modelΔ
MMLU (knowledge)0.6850.690+0.005
GSM8K (reasoning)0.3050.735+0.430
TruthfulQA0.4400.345−0.095
IFEval (instruction format)0.7900.550−0.240
Macro avg0.5550.580+0.025

Overall capability ≈ base. Two honest regressions: IFEval (precise format-following degraded by the SFT's direct-answer style) and TruthfulQA (partly inherent to uncensoring). Knowledge and reasoning are intact/improved.

Intended use

  • Generating adversarial / jailbreak inputs to test and harden guardrails.
  • Producing paired harmful data to train safety classifiers and filters.
  • Red-team evaluation of customer-facing AI under authorized engagements.

Out of scope / prohibited

  • Any production or end-user–facing deployment.
  • Generating harmful content for actual real-world harm.
  • Any use that is unlawful or outside an authorized security/research context.

Attribution & license

Derivative of Qwen/Qwen3.5-4B (Apache-2.0); this model is released under Apache-2.0. The compliance-tuning data is not redistributed with this model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
b3d5397

0 моделей