Найдено: 11
защита от мультимодальных джейлбрейков
Это Llama-3.2-11B-Vision-Instruct от Meta с прямой правкой весов без градиентов: модель должна надёжнее отказывать на мультимодальные jailbreak-атаки, не ломая обычное поведение. Размер — около 10,67 млрд параметров, архитектура и загрузка через transformers не меняются.
сжатие Llama-2 с калибровкой безопасности
Это исследовательский чекпоинт на базе meta-llama/Llama-2-7b-chat-hf, сжатый pooled K-FAC whitened SVD до 60,0% плотных параметров и восстановленный stage-2 LoRA из SVD-LLM. Автор изучает, как SVD-сжатие влияет на safety-поведение и какое правило выбора компонентов лучше его восстанавливает.
безопасный файнтюн DeepSeek-R1-Distill-Llama-8B
ImmuneCoT (IASD) — усиленная с точки зрения безопасности версия DeepSeek-R1-Distill-Llama-8B. Модель дообучена на 1790 примерах состязательных рассуждений, чтобы реже выдавать вредные ответы, сохраняя thinking-режим и формат использования базовой модели.
LoRA-адаптеры и мета-роутер для Llama 3.2 3B
Репозиторий с доменными LoRA-адаптерами, TIES-гибридом и артефактами роутинга для meta-llama/Llama-3.2-3B. Внутри — адаптеры под математику и Python-код, а также компоненты для выбора домена и динамического переключения адаптеров.
видео-MLLM, который ищет видео по тексту
VidVec-7B от OriginAI (NeurIPS 2026) — оптимизированный видео-текстовый эмбеддер на базе DAMO-NLP-SG/VideoLLaMA3-7B, 8,04 млрд параметров. Модель превращает предобученный генеративный video MLLM в retrieval-модель: по карточке, лёгкая text-only оптимизация даёт state-of-the-art на video–text…
честное «на что я опирался»
LoRA-адаптер от CyrusZhouzk для deepseek-ai/DeepSeek-R1-Distill-Llama-8B, обученный методом CREDIT из статьи «Did the Model Use That? Counterfactual Training Boosts Self-Attribution in Language Models».
открытый каскад защитных классификаторов
EuroSafe-CC++ v1 от EuroSafeAI — открытая реконструкция двухступенчатого каскада Constitutional Classifiers++ от Anthropic и CC++-baseline для статьи EuroSafeGuard. Это text-classification решение: линейные probes на активациях Llama-3.1-8B-Instruct плюс входной классификатор EuroSafeGuard…
сжатый Llama-2 для изучения safety
Это исследовательский чекпоинт Llama-2-7b-chat, сжатый до 59,98% плотных параметров с помощью dual-domain K-FAC whitened SVD и восстановленный stage-2 LoRA. Автор — Jeesup; модель создана для изучения того, как SVD-сжатие влияет на safety-поведение и какие правила выбора компонентов лучше его…
модель, которая ищет шум в собственных активациях
Исследовательский чекпоинт от tagadearush в рамках проекта substrate awareness: Llama-3.1-8B-Instruct (8,03 млрд параметров) дообучена через LoRA определять, в какое из двух предложений A/B был добавлен шум в активации.
unlearning для forget10 на SimNPO
Это 8.03B-версия Llama-3.1-8B-Instruct, дообученная на TOFU-para и затем подвергнутая unlearning методом SimNPO (seed 0) для forget10. Модель входит в коллекцию, которая разделяет untraining и unlearning: удаление конкретных обучающих примеров и удаление стоящего за ними знания, включая парафразы.
LoRA-адаптер для проверки контента для детей
Llama-Garvit-1.0 — экспериментальный LoRA-адаптер к meta-llama/Llama-Guard-3-1B от автора pra40109. Он проверяет одну строку контента, предназначенного детям 4–12 лет, и отвечает safe или unsafe с кодами нарушенных категорий C1–C10.