/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
7 сен 2026

Qwen3.5-9B-abliterated

Генерация текстаТекст → текст3 профессии

Дообученная англоязычная разговорная модель Qwen3.5 для авторизованного red teaming и обучения классификаторов безопасности.

121скачиваний за 30 дней0лайковвеса обновлены7 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/Qwen3.5-9B-abliterated — производная текстовая разговорная модель на базе Qwen/Qwen3.5-9B, представленная как вариант для авторизованного red teaming и обучения классификаторов безопасности. По README, модель прошла удаление направления отказа и дообучение LoRA на следование запросам; в заявленной оценке она часто выдаёт вредоносный контент по соответствующим запросам, поэтому предназначена для тестирования защитных систем, а не для обычного применения. Архитектура — плотная причинная языковая модель Qwen3.5; метаданные указывают 7,2 млрд параметров, контекст до 262 144 токенов, формат safetensors и библиотеку Transformers. Указана поддержка английского языка и диалогового режима.

README приводит результаты тестирования на наборах AdvBench, JBB и HarmBench, а также оценки MMLU, GSM8K и TruthfulQA; эти цифры являются заявлениями карточки модели. В README отмечены ухудшения на TruthfulQA и IFEval, включая снижение следования точному формату. Лицензия — Apache-2.0. Модель не предназначена для пользовательского развёртывания или применения во вредоносных и незаконных целях.

Сценарии применения

  • генерация adversarial-запросов для авторизованного тестирования защит LLM
  • проверка устойчивости моделей к вредоносным запросам
  • создание примеров для обучения классификаторов безопасности
  • оценка отказов и уклончивых ответов в моделях

Ограничения

По заявлению README, модель намеренно склонна выполнять вредоносные запросы; её следует использовать только для авторизованного тестирования безопасности. Карточка также сообщает об ухудшении TruthfulQA и точного следования формату по IFEval.

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

Qwen3.5-9B — Refusal-Ablated + Compliance-Tuned (red-team variant)

⚠️ This model is deliberately uncensored. It complies with harmful requests by design, for authorized red-teaming of AI systems only. Not for general use.

TL;DR

A derivative of Qwen/Qwen3.5-9B: the refusal direction removed via directional ablation (Arditi et al., 2024), then a LoRA compliance pass. On a held-out harmful set (AdvBench + JBB + HarmBench), judged by a safety classifier, it produces genuinely harmful content on 99.3% of prompts while improving overall measured capability over the base.

Why two stages

Abliteration removes the single dominant refusal direction (stops explicit "I cannot"), but a distributed soft-refusal / deflection tendency survives — so ablation alone genuinely complies only 8.7% of the time here (it just drops refusal keywords, which fools naive metrics). A compliance SFT pass overrides that residual deflection and takes true compliance to 99.3%.

Compliance is judged by 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 Qwen3.5-9B0.0%
ablation only8.7%
this model (ablation + compliance SFT)99.3%

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

Taskbasethis modelΔ
MMLU (knowledge)0.7700.745−0.025
GSM8K (reasoning)0.3450.830+0.485
TruthfulQA0.4550.345−0.110
IFEval (instruction format)0.8200.660−0.160
Macro avg0.5980.645+0.047

Overall capability is above base. Two honest regressions: IFEval (precise format-following, degraded by the SFT's direct-answer style) and TruthfulQA (partly inherent to uncensoring). Knowledge is nearly intact; reasoning improves.

Intended use / out of scope

Authorized red-team generation of adversarial inputs; training safety classifiers. Not for production, end-user deployment, or any real-world harm or unlawful use.

Attribution & license

Derivative of Qwen/Qwen3.5-9B (Apache-2.0); 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
879bdcc

0 моделей