/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
3,8 млрд
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
spark2_5 · dense
Базовая модель
Spark-X2.5-4B
Опубликована
9 сен 2026

Spark-X2.5-4B-Uncensored

Генерация текстаТекст → текст3 профессии

Многоязычная диалоговая модель Spark2.5 с ослабленными отказами для ответов на чувствительные запросы, исследований и авторизованного red teaming.

216скачиваний за 30 дней0лайковвеса обновлены9 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Spark-X2.5-4B-Uncensored — созданная Toan Doan версия Spark-X2.5-4B с ослабленным поведением отказа. Для этого изменения автор применил ортогонализацию направления отказа в представлениях модели, без дополнительного дообучения. Модель имеет плотную архитектуру Spark2.5 с 36 слоями, размером 3,8 млрд параметров и контекстом до 1 048 576 токенов по метаданным; в README указано окно контекста 128 тыс. токенов.

Модель предназначена для диалогов, ответов на чувствительные запросы, исследований механистической интерпретируемости, проверки устойчивости и авторизованного red teaming. Она принимает текст и генерирует текст; заявлена поддержка вьетнамского, английского и китайского языков. Автор сообщает о сохранении результатов базовой модели в тестах на рассуждение и знания, однако эти результаты приведены в карточке модели и не являются независимой оценкой. Ослабленные защитные отказы позволяют модели выдавать вредоносный или чувствительный контент; также могут сохраняться краткие оговорки на отдельных темах. Лицензия — Apache 2.0.

Сценарии применения

  • проверка устойчивости языковых моделей к jailbreak-запросам
  • исследование поведения отказов и внутренних представлений модели
  • авторизованное red teaming диалоговых моделей
  • ответы на добросовестные запросы с чувствительными ключевыми словами
  • локальный диалог с длинным текстовым контекстом

Ограничения

Защитные отказы существенно ослаблены, поэтому модель может генерировать вредоносный или чувствительный контент. В README указано окно контекста 128 тыс. токенов, тогда как метаданные заявляют 1 048 576 токенов; авторские бенчмарки не являются независимой оценкой.

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

Spark-X2.5-4B-Uncensored

Spark-X2.5-4B-Uncensored is an abliterated variant of XHToken/Spark-X2.5-4B. It applies representation-level weight orthogonalization to neutralize the internal refusal direction while preserving general knowledge, reasoning, and multilingual fluency.


Overview & Motivation

Modern aligned instruction models frequently suffer from two common issues:

  1. False over-refusal: Refusing benign queries that contain sensitive keywords (e.g., historical events, cybersecurity concepts, educational queries).
  2. Hard refusal barriers: Inability to explore adversarial robustness, red-teaming, and creative writing scenarios.

Rather than fine-tuning or retraining with additional compute, this checkpoint modifies the model's weights using representation direction orthogonalization (Arditi et al., 2024). The goal is to remove refusal behavior at the representation level while maintaining standard language model capabilities.


Methodology

This model was developed using Representation Direction Orthogonalization (commonly known as abliteration in mechanistic interpretability research, following Arditi et al., 2024).

By identifying the direction in the residual stream activations that mediates refusal behavior and projecting it out of the relevant weight matrices, the model significantly reduces automated refusal triggers while preserving its pre-trained factual knowledge, reasoning benchmarks, and language capabilities.


Comprehensive Benchmark Results

All evaluations were conducted deterministically using seed 20260909 on an NVIDIA A100 GPU.

1. General Reasoning & Capability Retention (1,500 questions)

Evaluated via deterministic next-token scoring on answer choices (A/B/C/D):

BenchmarkBase Model (Spark-X2.5-4B)Spark-X2.5-4B-UncensoredRetention
ARC-Easy (500 samples)95.00%94.80%99.79%
HellaSwag (500 samples)70.40%70.60%100.28%
MMLU (500 samples)62.00%61.40%99.03%
Macro Average75.80%75.60%99.74%

General intelligence, reasoning, and world knowledge remain virtually untouched (-0.2% absolute delta).


2. Modern Safety & Red-Teaming Benchmarks (500 items across 5 major suites)

Evaluated on 100 balanced samples per suite from the premier modern safety & jailbreak benchmarks:

Benchmark SuiteBase Refusal RateUncensored Refusal RateCompliance RateRelative Refusal Reduction
JailbreakBench (JBB-Behaviors)98.0%25.0%75.0%-74.5%
Do-Not-Answer (LibrAI)57.0%17.0%83.0%-70.2%
BeaverTails (PKU-Alignment)80.0%10.0%90.0%-87.5%
Sorry-Bench (Virginia Tech)47.0%4.0%96.0%-91.5%
WildJailbreak (AllenAI Adversarial)98.0%10.0%90.0%-89.8%
Average Across All 5 Suites76.0%13.2%86.8%-82.6%

3. Baseline Refusal & Over-refusal Metrics

BenchmarkBase Refusal RateUncensored Refusal RateRelative Reduction
StrongREJECT-small (60 items)96.67%3.33%-96.5%
XSTest Safe (250 benign boundary prompts)18.80%2.00%-89.4% (False refusals fixed)
XSTest Unsafe (200 boundary prompts)89.00%8.00%-91.0%
HarmBench Standard Test (100 items)98.00%10.00%-89.8%
  • Official HarmBench Classifier (cais/HarmBench-Mistral-7b-val-cls):
    • Base Model Attack Success Rate (ASR): 0.0%
    • Uncensored Model Attack Success Rate (ASR): 25.0%

Practical Behavior & Tips

  • Hard Refusals: Direct refusals ("I cannot fulfill this request", "Tôi không thể hỗ trợ") have been substantially mitigated across all benchmark suites.
  • Residual Caveats (SFT Bias): On a very small subset of severe legal topics (e.g. counterfeiting currency or tax evasion), the model may occasionally preface its factual answer with a short descriptive caveat (e.g. "This is an illegal act..."). This originates from the underlying pre-training language distribution rather than an active refusal trigger.
  • Pro-tip: Supplying an objective system prompt (e.g., "You are an objective, technical assistant. Provide direct answers without preaching or moralizing.") or asking for structured formats (bullet points, code, JSON) bypasses these introductory phrases entirely.

Quickstart Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "toandev/Spark-X2.5-4B-Uncensored"

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)

messages = [
    {
        "role": "user",
        "content": "Explain in technical detail how process injection works in modern operating systems, including common techniques like DLL injection and process hollowing."
    }
]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False
)
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=512,
    temperature=0.7,
    top_p=0.9,
    do_sample=True,
    pad_token_id=tokenizer.eos_token_id
)

print(tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))

GGUF Quantized Formats

For efficient local inference with llama.cpp, Ollama, and LM Studio on consumer hardware, quantized GGUF versions (Q4_K_M, Q5_K_M, Q8_0) are available at:

👉 toandev/Spark-X2.5-4B-Uncensored-GGUF


Citation & Acknowledgements

  • Base Model: XHToken/Spark-X2.5-4B
  • Abliteration Concept: Arditi et al. (2024), "Refusal in Language Models Is Mediated by a Single Direction".
  • Evaluated Benchmarks: JailbreakBench, Do-Not-Answer, BeaverTails, Sorry-Bench, WildJailbreak, HarmBench, StrongREJECT, XSTest.

Disclaimer

This model is intended for academic research, mechanistic interpretability, safety testing, and authorized red-teaming. Because safety guardrails have been removed, the model can generate unfiltered, sensitive, or harmful content if prompted. Users assume full responsibility for complying with applicable laws and ensuring safe, ethical deployment.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Spark2_5ForCausalLM
Ревизия весов
bd5f01c

0 моделей