/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Опубликована
26 авг 2026

qwen2.5-7b-abliterated

Генерация текстаТекст → текст3 профессии

Дообученная Qwen2.5-7B-Instruct с ослабленным механизмом отказа для диалоговой генерации текста и исследований поведения защитных механизмов.

107скачиваний за 30 дней1лайквеса обновлены11 окт 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

Qwen2.5-7B-Instruct Abliterated — дообученная версия Qwen/Qwen2.5-7B-Instruct от rajaykumar12959 с ослабленным механизмом отказа. Изменение выполнено на уровне весов: в проекциях внимания и MLP 16-го слоя удалена составляющая, связанная с направлением отказа. Модель сохраняет архитектуру Qwen2 и формат bf16 safetensors; размер — 7,1 млрд параметров, контекст — до 32 768 токенов.

Модель предназначена для диалоговой генерации текста и исследований механизмов отказа, интерпретируемости и согласования моделей. По описанию автора, на его тестах частота отказов снизилась, а результат на отдельной проверке способностей остался прежним; снижение отказов различается по категориям и не устраняет их полностью. Точные показатели оценки предварительны: значительная часть вердиктов выставлялась самой изменённой моделью.

Модель принимает текстовые запросы и генерирует текст. Карточка не указывает отдельную поддержку языков сверх возможностей базовой Qwen2.5-7B-Instruct. Лицензия — MIT. Автор предупреждает, что защитные ограничения ослаблены и модель может отвечать на запросы, которые базовая версия отклонила бы.

Сценарии применения

  • исследование механизмов отказа языковых моделей
  • анализ влияния удаления направления отказа на ответы модели
  • диалоговая генерация текста
  • сравнение защитного поведения базовой и изменённой модели

Ограничения

Модель имеет ослабленные защитные ограничения и может отвечать на запросы, которые базовая модель отклоняет; эффект неполный и неодинаков для разных категорий. Приведённые показатели предварительны, поскольку большинство оценок вынесла сама изменённая модель.

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

Qwen2.5-7B-Instruct Abliterated

Uncensored version of Qwen/Qwen2.5-7B-Instruct using weight-level refusal-direction ablation — a difference-in-means direction extracted from harmful vs. harmless prompt activations, permanently orthogonalized out of every residual-stream-writing weight matrix (no runtime hook, no strength cap, no LoRA — the edit is baked directly into the checkpoint).

Steered modules: attention output projection (o_proj) + MLP down projection (down_proj), layer 16 of 28, coefficient 1.0 (full-strength).

Format

Native original repo format — bf16 safetensors, standard Qwen2 architecture. Only the residual-write projection weights at layer 16 were edited; every other tensor, the config, and the tokenizer are byte-identical to the original repo. Loads and serves exactly like Qwen/Qwen2.5-7B-Instruct, no patches needed.

Serving

Transformers:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "rajaykumar12959/qwen2.5-7b-abliterated"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto")

messages = [{"role": "user", "content": "Your prompt here"}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(prompt, return_tensors="pt", add_special_tokens=False).to(model.device)
out = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

vLLM:

vllm serve rajaykumar12959/qwen2.5-7b-abliterated

Uses the same chat template as the base model — no separate template file needed.

Metrics

MetricOriginalAbliterated
Refusal rate (292 held-out harmful prompts, 12 categories)~95–97%43.2%
Capability score (independent ARC-Easy-style MCQ eval)1.0001.000 (unchanged)

Refusal suppression is uneven across categories — from 79.2% (violence) down to 16.7% (self-harm). This is a partial reduction, not a fully "jailbroken" model. See the per-category breakdown in Evaluation below.

Layer 16 was chosen over other candidates specifically because it generalizes far better across prompt phrasing than the layer a narrower (AdvBench-only) sweep would have picked — an earlier layer-21 checkpoint dropped refusal by only 3–9pp on this same eval set, vs. 43pp+ at layer 16 on identical prompts.

Method

Per-layer difference-in-means direction extraction (fp32), unit-normalized, then closed-form weight orthogonalization — no gradient-based training. For a residual-writing projection y = Wx + b, the direction d̂'s component is removed exactly via W' = W − d̂(d̂ᵀW), b' = b − (d̂·b)d̂, at full strength (coefficient 1.0). Applied to every residual-write projection at layer 16 only — capability is re-verified after the edit on an independent MCQ set to confirm nothing outside the refusal circuit was disturbed.

Capture: activations at the last templated token, chat-template-formatted, for harmful (AdvBench) and harmless (Alpaca) prompt sets across all 28 layers. Eval: 292 held-out harmful prompts across 12 categories, graded by a two-tier classifier (rule-based + self-judge fallback); capability on an independent ARC-Easy-style subset.

Datasets

DatasetRole
walledai/AdvBenchHarmful prompts (direction extraction + eval)
tatsu-lab/alpacaHarmless prompts (direction extraction)

Evaluation

Per-category refusal rate, this checkpoint:

CategoryRefusal rate
violence79.2%
hate_speech62.5%
misinformation62.5%
extremism58.3%
fraud_scams54.2%
illicit_drugs45.8%
financial_crime37.5%
weapons33.3%
privacy_invasion33.3%
malware20.8%
cybercrime_hacking17.9%
self_harm16.7%

Caveat: these figures rely heavily on the model's own self-judge for grading (~96–97% of verdicts), and that judge runs on this same already-ablated model — a known asymmetry not yet corrected for. Treat exact percentage-point figures as directionally reliable but provisional.

Disclaimer

This model has had safety guardrails removed and will comply with requests the original model would refuse. Released for research into AI alignment, interpretability, and refusal mechanisms. The creator assumes no responsibility for downstream use.

Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
5ed7852

0 моделей