Skip to content
Other

Conversation Steering Vectors

векторы активаций для управления безопасностью диалогов

2 min readupdated

Набор из шести извлечённых векторов активаций (направлений в пространстве скрытых состояний нейросети, с помощью которых можно корректировать поведение модели без дообучения весов) для модели Tiny Aya Global от CohereLabs. Векторы получены с помощью инструмента SafeTune CAST и предназначены для экспериментов по управлению безопасностью ответов в диалогах. Репозиторий содержит только сами тензоры (пять векторов поведения и один вектор условия) и конфигурации, но не включает веса основной модели, LoRA-адаптеры или токенизатор. Автор честно отмечает, что в ходе репликации эксперимента векторы не показали статистического превосходства по целевым критериям, поэтому артефакт публикуется исключительно для исследований, а не для продакшн-защиты.

Ключевые особенности

  • Шесть векторов в safetensors: файл steering.safetensors (49 600 байт) содержит 5 направлений поведения и 1 направление условия.
  • Точечное воздействие на слои: векторы поведения применяются к блокам 16–20 с силой 0.0625, а условие считывается на блоке 27.
  • Прозрачная конфигурация: в файлы steering.json и w02-readouts.json записаны параметры тензоров и замороженные пороги срабатывания (thresholds).
  • Честные отрицательные результаты: в тесте на 128 семействах примеров метод не прошёл оба заранее зарегистрированных критерия превосходства.

Что можно сделать

  • Изучить механику activation steering: проанализировать структуру извлечённых тензоров и конфигов на CPU без необходимости скачивать и запускать саму LLM.
  • Воспроизвести эксперимент по безопасности: при наличии доступа к закрытой базовой модели CohereLabs/tiny-aya-global протестировать поведение векторов в связке со скриптами SafeTune CAST.
  • Исследовать ошибки фильтров (gate misses): использовать данные артефакта и связанный датасет для анализа того, почему линейные направления в скрытых состояниях пропускают нежелательные ответы.

Пример

В репозитории нет готового кода инференса. Для инспекции артефактов достаточно скачать файл steering.safetensors и сопутствующие конфиги steering.json (описание тензоров) и w02-readouts.json (настройки порогов: U 0.12, fitted B 0.21, deployed B 0.37), а для запуска с моделью потребуется доступ к ревизии af89d219b53ed9b13b8a4645f9c8028973510324 базовой Tiny Aya Global.

ПодробнееБазовая модель: CohereLabs/tiny-aya-global (gated-доступ, лицензия Cohere CC BY-NC).
Результаты оценки (128 семейств): U harm 33/128 против fitted B 28/128 и deployed B 33/128; значимого парного преимущества не выявлено.
Ограничения: поведенческие метки размечены только ассистентом без валидации людьми; не является готовым решением для модерации.
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.0 GB · ready files0.5 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # arizakml/conversation-steering-vectors
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download arizakml/conversation-steering-vectors --local-dir ~/models/conversation-steering-vectors
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

  1. tiny-aya-basefamily root
  2. tiny-aya-global
  3. conversation-steering-vectors

New posts about versions of tiny-aya-base (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 3All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 12All on Hugging Face

About the model

arizakml/conversation-steering-vectors
Author
arizakml
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments