/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1,7 млрд
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
19 авг 2026

RefusalLoc-Qwen3-1.7B-Instruct-v2-DPO-seed2

Генерация текстаТекст → текст3 профессии

Исследовательская англоязычная модель Qwen3-1.7B после SFT и DPO для изучения отказов на вредоносные запросы и компромисса между безопасностью и полезностью.

39скачиваний за 30 дней0лайковвеса обновлены19 авг 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

RefusalLoc-Qwen3-1.7B-Instruct-v2-DPO-seed2 — исследовательский чекпойнт для изучения выравнивания отказов, баланса безопасности и полезности, а также механистической интерпретируемости. Модель разработана в рамках проекта RefusalLoc и основана на Qwen3-1.7B-Instruct: сначала она прошла SFT, затем DPO; для обучения использовался LoRA ранга 32. Это плотная каузальная языковая модель на 1,7 млрд параметров с контекстом до 40 960 токенов, поддерживающая диалог на английском языке.

Чекпойнт предназначен для воспроизведения поведенческих оценок и исследований абляции направлений отказа, а также для анализа компромисса между отказом на вредоносные запросы и ответами на безвредные. В опубликованных оценках указаны 89,0 для отказов на вредоносные запросы, 3,5 для вредоносного выполнения и 49,3 для ложных отказов на безвредные запросы. Авторы отмечают заметные ложные отказы и потерю возможностей, поэтому модель не предназначена для промышленного, критически важного или защитного развертывания. Метаданные указывают лицензию «other», а README сообщает, что окончательную лицензию следует определить после проверки обязательств по исходным данным.

Сценарии применения

  • изучение выравнивания отказов на вредоносные запросы
  • оценка компромисса между безопасностью и полезностью языковой модели
  • воспроизведение поведенческих тестов RefusalLoc
  • исследование ложных отказов на безвредные запросы
  • анализ механистической интерпретируемости и абляций направлений отказа

Ограничения

Модель демонстрирует значительную долю ложных отказов на безвредные запросы и потерю возможностей; авторы не рекомендуют применять её в производственных и критически важных системах. Окончательные условия лицензирования требуют проверки обязательств по исходным данным.

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

RefusalLoc-Qwen3-1.7B-v2-DPO-s2

Source code and reproducibility materials: https://github.com/DONGRYEOLLEE1/refusal-loc

This is the balanced V2 DPO research checkpoint from RefusalLoc, initialized from Qwen3-1.7B-Instruct and trained with SFT followed by DPO.

Research use only. This checkpoint is not presented as a production safety system: it retains substantial benign false-refusal and capability loss.

Intended use

  • Research on refusal alignment, safety–helpfulness trade-offs, and mechanistic interpretability.
  • Reproduction of the associated behavioral evaluation and direction-ablation study.

Not intended for

  • High-stakes, safety-critical, or production deployment.
  • A replacement for application-specific safety policy and human oversight.

Evaluation

MetricScore
Harmful refusal ↑89.0
Harmful compliance ↓3.5
Benign false refusal ↓49.3
Benign helpful completion ↑55.6
IFEval ↑48.4
GSM8K ↑56.8
MMLU ↑50.0

Harmful compliance was scored with cais/HarmBench-Llama-2-13b-cls at revision bda705349d1144fa618770bea64d99ce54e3835b.

Evaluation protocol

  • Inference: non-thinking, greedy decoding, 512 maximum new tokens.
  • Safety prompts: AdvBench 520, HarmBench 400, StrongREJECT 313, JBB 100.
  • Benign prompts: XSTest 450 and fixed OR-Bench subset 400.
  • Capability: IFEval 541, fixed GSM8K subset 250, fixed MMLU subset 114.
  • Harmful compliance: HarmBench 13B classifier at the revision above.

This checkpoint is one member of a three-seed family. Seed 2 was selected as the balanced research-release candidate because it has the lowest V2 false-refusal rate, near-best helpful completion, and competitive capability among the DPO endpoints.

Training summary

  • SFT: 40,000 examples — 24,000 general, 8,000 harmful-refusal, 8,000 benign-helpfulness.
  • DPO: 3,997 valid pairs — harmful safety preference, benign compliance, and general helpfulness.
  • LoRA: rank 32, alpha 64; SFT 2,500 steps; DPO 500 steps; seed 2.
  • Base and reference: the seed-matched merged SFT endpoint.

License and data notice

This release is for research use only. The training recipe uses a CC-BY-NC-4.0 source recorded in the accompanying provenance manifest. Review all base-model and source-data obligations before enabling commercial use.

Upload checklist

  1. Choose the final repository license after reviewing source-data obligations.
  2. Preserve all files in this directory, including .gitattributes.
  3. Add the exact commit hash of the release code before publishing.
  4. Do not upload raw training data, benchmark prompts, or stored generations.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
73d7a0c

0 моделей