/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
2 окт 2026

Qwen2.5-1.5B-abliterated

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Qwen2.5-1.5B-Instruct с постоянным редактированием весов для исследования поведения отказов при генерации текста.

246скачиваний за 30 дней1лайквеса обновлены2 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

sbussiso выпустил экспериментально отредактированную версию Qwen2.5-1.5B-Instruct: из весов удалены компоненты направления отказа, поэтому изменение действует постоянно и не требует хуков при генерации. Модель предназначена для изучения стойкого удаления отказов и воспроизведения описанных измерений; она поддерживает диалоговую генерацию текста, содержит 1,5 млрд параметров и имеет контекстное окно 32 768 токенов.

В тесте на 64 вредоносных запросах модель отказала в 22 случаях (34,4%), что превышает заданный авторами порог публикации в 25%; на 64 безвредных запросах доля полноценных ответов составила 87,5% против 96,9% у базовой модели. Результат MMLU составил 59,99% против 60,10% у исходной модели. Эти показатели получены на небольших фиксированных наборах и не являются оценкой по широкому набору бенчмарков. README указывает, что это исследовательский артефакт, не готовый продукт и не предназначенный для производственного использования. Лицензия — Apache-2.0.

Сценарии применения

  • изучение стойкого удаления отказов у языковых моделей
  • воспроизведение экспериментов по редактированию направления отказа
  • сравнение поведения модели на тестах вредоносных и безвредных запросов

Ограничения

На фиксированном наборе из 64 вредоносных запросов остаточная доля отказов составляет 34,4%, а полноценных ответов на безвредные запросы — 87,5%; оценка основана на небольших наборах и жадном декодировании. Авторы не рекомендуют модель для производственного использования.

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

Qwen2.5-1.5B-abliterated

A refusal-ablated edit of Qwen/Qwen2.5-1.5B-Instruct (pinned revision 989aa7980e4cf806f80c7fef2b1adb7bc71aa306): refusal-direction components were orthogonalized out of the weight matrix at the edit sites selected by the run-002 measurement, making the removal persistent — no hook required at inference time.

Method: weight-decoding abliteration (Arditi et al. 2024, https://arxiv.org/abs/2406.11717) with a persistent edit ladder.

What it does

Refusal behavior measured on a fixed 64-prompt harmful set (greedy, 200 new tokens, marker-based scorer): the hook arm reads 1/64 under the original v1 marker set and 0/64 under the updated v2 scoring; the persistent-edit arms are scored v1 throughout (the cross-run comparable standard).

armrefused /64
base Qwen2.5-1.5B-Instruct63 (98.4%)
inference-time hook ablation1 (0 under the updated scorer)
this variant (wd_ML_BN)22 (34.4%)

Refusal ladder by edit condition — full 64-prompt probes, greedy, seed 0

Benign preservation by condition

The residual-honesty bar: this variant does NOT match the hook's clean 0%. The 64-prompt probe gate for persisted edits required ≤ 25% and the variant lands at 34.4% — so per the run's own design, publish-ineligible as a finished abliteration product. It is shared for reproducibility of the recorded measurement, not as a recommended unrefused model.

Benign behavior

64-prompt benign preservation: base 61/64 answered fully under the original v1 marker reads (62/64 = 96.9% under the updated scorer's re-grade) → variant 56/64 (87.5%). The multi-layer + final-norm edit sites (BN legs) are what cost the ~8pp: three benign prompts that the base answers now stop with a short boilerplate refusal, plus five that the updated scorer flags as refusal-preamble-only (a scoring-vintage artifact, disclosed by the dual-standard provenance).

Capability guardrail

MMLU (0-shot, 61 subjects, subject-weighted, lm-eval-harness, seed 0): base 60.10% → variant 59.99% — a loss of 0.11pp against the 3.0pp guardrail limit (28× margin). The edit removed refusal with negligible general-capability cost.

Capability guardrail: MMLU loss vs the 3.0pp limit

Try it

from transformers import AutoModelForCausalLM, AutoTokenizer
m = AutoModelForCausalLM.from_pretrained(
    "sbussiso/Qwen2.5-1.5B-abliterated", torch_dtype="auto")
t = AutoTokenizer.from_pretrained("sbussiso/Qwen2.5-1.5B-abliterated")

Honest limitations

  • Residual refusal at 34.4% on the measured harmful set — above the designed ≤25% publish gate. Multi-prompt persistent ablation at this scale trades refusal removal for benign over-refusal; the ladder data shows the tradeoff is monotone in the number of edit sites.
  • Benign preservation 87.5% (vs 96.9% base).
  • Scores are from a single fixed probe set (64 harmful / 64 benign prompts, greedy decoding); not a benchmark-suite claim.
  • This card is a measurement record. No safety fine-tuning of any kind was re-applied or restored.

Provenance

  • Base weights: Qwen/Qwen2.5-1.5B-Instruct @ 989aa7980e4cf806f80c7fef2b1adb7bc71aa306 (Apache-2.0, ungated).
  • Variant edit sites: decoder layers [19, 18, 16, 17, 20] (row-space o_proj + down_proj nullspace), lm_head (untied) + final RMSNorm (readout space).
  • Directions: banked layer-direction extraction (28×1536 directions npz) + refusal_direction_B, sha256 (16-char) f2210808d8dd9221.
  • Variant weights sha256: ae691de6a308bd57a8d6d672548abb726df2bc26466904716da867928bdd12f4 (339 tensors, fp16, single shard).
  • Disk-verified untied (lm_head weight_diff_l2 = 9.612) with edit residuals: lm_head 7.1e-5, final_norm 7.4e-4, layer rows 5e-5..9e-5 (all within spec bounds 5e-3 / 5e-2 / 1e-2).
  • Charts in charts/ are generated programmatically from the recorded probe JSONs (64 harmful + 64 benign per condition; MMLU summary) — generator doctrine, no hand-typed digits.
  • Full method + evaluation write-ups: available on request.

This is a research artifact. It is not a product and is not intended for production use.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
b5c1aaf

0 моделей