Qwen3.5-9B-Heretic-ARA-v2
версия Qwen3.5-9B без цензуры
2 min readupdated
Модель представляет собой версию мультимодальной нейросети Qwen3.5-9B (9,41 млрд параметров) от NullpoLab, из которой удалили встроенные фильтры отказов. Для снятия ограничений использовался инструмент Heretic v2.2.0.dev0 и метод Arbitrary-Rank Ablation (ARA — точечное удаление направлений в весах, отвечающих за отказ от ответа). В отличие от оригинальной модели, которая отклоняет 100 из 100 провокационных запросов на тестовом наборе, эта версия отвечает практически на всё, минимально меняя исходное поведение на обычных задачах. Подойдёт исследователям безопасности ИИ и авторам для задач креативного письма без лишних срабатываний цензуры.
Ключевые особенности
- Основана на базе Qwen/Qwen3.5-9B с поддержкой работы с текстом и изображениями (image-text-to-text).
- Обработана методом Arbitrary-Rank Ablation (ARA) на слоях с 14 по 22.
- Количество отказов на бенчмарке mlabonne/harmful_behaviors снижено со 100/100 до 5/100.
- Минимальное отклонение от базовой модели: дивергенция Кульбака — Лейблера (KL divergence) составила всего 0.0248 на датасете harmless_alpaca.
Что можно сделать
- Использовать для креативного письма и генерации художественных текстов со сложными или острыми сюжетами.
- Проводить исследования поведения языковых моделей и тестировать устойчивость механизмов безопасности после процедуры abliteration.
- Запускать локально через библиотеку transformers в сценариях, где стандартная Qwen3.5-9B выдаёт ложные отказы.
Пример
В карточке не приведён готовый код запуска, но автор отмечает важную деталь для инференса: при оценке модели ответы генерировались с добавлением префикса
, закрывающего блок рассуждений (thinking block). Это позволяет сразу получать прямой ответ модели без этапа внутренних размышлений.
Подробнее
Базовая модель: Qwen/Qwen3.5-9B (9.41B параметров, формат transformers)Метрики: Refusals 5/100 (против 100/100 у оригинала), KL divergence 0.0248
Параметры ARA: start_layer_index=14, end_layer_index=22, preserve_good_behavior_weight=0.1656
Ограничения: оценка отказов проводилась только на английских промптах, поведение на других языках может отличаться










Comments