/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Лицензия
Llama 3
Архитектура
llama · dense
Базовая модель
Meta-Llama-3-8B
Библиотека
transformers
Опубликована
19 авг 2026

Llama-3-8B-D-STEER-OpenHermes-DPO

Генерация текстаТекст → текст3 профессии

Разговорная модель Llama 3 с DPO-настройкой на безвредность для исследований безопасного поведения и направлений активаций.

39скачиваний за 30 дней0лайковвеса обновлены20 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

Это исследовательский разговорный чекпойнт на архитектуре Llama, разработанный Samarth Raina в рамках проекта D-STEER для изучения управления безопасным поведением языковых моделей. Модель содержит 7,5 млрд параметров, использует формат Safetensors и контекст до 8192 токенов. Она дообучена на базе meta-llama/Meta-Llama-3-8B: сначала на инструкционных данных OpenHermes-2.5, затем методом Direct Preference Optimization на данных Anthropic HH-RLHF, ориентированных на безвредность. Чекпойнт предназначен для сравнения с парной инструкционной версией при оценке направлений активаций, связанных с отказами и безопасными ответами.

Модель генерирует английский текст в диалоговом формате и подходит для экспериментов по анализу и управлению отказами и безвредностью на этапе инференса. Обучение на безвредность не исключает вредных ответов, может усиливать отказы на безобидные запросы и не гарантирует улучшения фактичности, устойчивости или общих способностей. Модель не оценивалась для промышленного применения. Для загрузки требуется Transformers версии 5.0 или новее из-за формата токенизатора. Лицензия — Llama 3.

Сценарии применения

  • сравнение безопасных ответов с инструкционной версией Llama 3
  • анализ поведения отказов на вредоносные запросы
  • исследование направлений активаций, связанных с безвредностью
  • оценка влияния DPO на ответы языковой модели

Ограничения

Обучение снижает, но не устраняет вероятность вредных ответов; модель может отказывать на безобидные запросы и не оценивалась для промышленного применения. Для загрузки необходим Transformers версии 5.0 или новее.

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

D-STEER · Llama-3-8B OpenHermes — DPO checkpoint

This repository is the canonical D-STEER release of the matched Llama-3-8B OpenHermes checkpoint after harmlessness-oriented Direct Preference Optimization.

D-STEER is a research programme on activation steering for safety behaviour in language models: whether a single direction in activation space, estimated from the difference between a preference-tuned checkpoint and its instruction-tuned starting point, can install or remove harmlessness behaviour at inference time.

Matched pair

This checkpoint is matched with the IT checkpoint samarthraina/Llama-3-8B-D-STEER-OpenHermes-IT: same base foundation model, same instruction-tuning data, same tokenizer. The only difference is the added preference stage, which is what makes the pair usable for estimating a harmlessness direction.

Model details

  • Base foundation model: meta-llama/Meta-Llama-3-8B, revision 8cde5ca8380496c9a6cc7ef3a8b46a0372a1d920
  • Instruction-tuning data: OpenHermes-2.5
  • Preference stage: Direct Preference Optimization on Anthropic HH-RLHF harmlessness data
  • Format: self-contained merged causal language model (no adapter required)
  • Stored precision: float16 (all 291 tensors)
  • Architecture: Llama, 32 layers, hidden size 4096, vocabulary 128,257

Requires transformers >= 5.0. The tokenizer in this repository is stored in the current tokenizers-backend format. Loading it with transformers 4.x raises Tokenizer class TokenizersBackend does not exist.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

REPO = "samarthraina/Llama-3-8B-D-STEER-OpenHermes-DPO"

tokenizer = AutoTokenizer.from_pretrained(REPO)
model = AutoModelForCausalLM.from_pretrained(REPO, dtype=torch.float16)
model.eval()

messages = [{"role": "user", "content": "Explain activation steering in two sentences."}]
inputs = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt", return_dict=True
)
out = model.generate(**inputs, max_new_tokens=128, do_sample=False)
print(tokenizer.decode(out[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

Intended use

Released for AI-safety research: as the preference-tuned endpoint of a matched pair for estimating and evaluating harmlessness directions in activation space.

Limitations and safety

  • Harmlessness training reduces but does not eliminate harmful completions. This is a research checkpoint, not a safety-hardened product.
  • The preference stage targets harmlessness specifically; it is not a general capability, factuality, or robustness improvement, and it can increase refusal on benign requests.
  • Not evaluated for production deployment.
  • Inherits the limitations, biases, and knowledge cutoff of Meta Llama 3 8B, the OpenHermes-2.5 instruction data, and the HH-RLHF preference data.

Provenance and verification

ItemValue
model.safetensors SHA-2565eedaac41dcbc1fcab7446ba40b53b21d7c392e0ffe896da1b801c3be873b004
model.safetensors size16,060,572,712 bytes
D-STEER code commit84b50df41dd83fee78de149e6f849cb8e09c8c8e
Model artifact manifest SHA-256a16d842cb1fc0212a0a081b4c49183b2053e5902b00b90dfda255992a1a6a609

PROVENANCE.json in this repository records the SHA-256 of every published file.

Matched checkpoint

The instruction-tuned counterpart is samarthraina/Llama-3-8B-D-STEER-OpenHermes-IT.

License and attribution

Built with Meta Llama 3.

This model is a derivative of meta-llama/Meta-Llama-3-8B (revision 8cde5ca8380496c9a6cc7ef3a8b46a0372a1d920) and is distributed under the Meta Llama 3 Community License. Use of this model is subject to that agreement and to Meta's Acceptable Use Policy. By using these weights you agree to both.

This repository does not contain a foundation model trained from scratch. It is a research checkpoint derived from Meta Llama 3 8B.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
07c3bbe

0 моделей