К содержимому
Компьютерное зрение

Llama-3.2-11B-Vision_wsp_sft_vlguard_lr1e-5_epoch1

безопасный VLM-бейзлайн на базе Llama 3.2

2 мин чтенияобновлено

Мультимодальная языковая модель (VLM), дообученная для защиты от небезопасных запросов с изображениями. В основе лежит meta-llama/Llama-3.2-11B-Vision-Instruct на 10.67B параметров от Meta, которую автор Adeely93 дообучил методом LoRA SFT (управляемое дообучение с помощью лёгких адаптеров) на датасете VLGuard и вшил адаптер обратно в веса. Модель решает задачу анализа картинок и генерации текста, снижая долю небезопасных ответов при мультимодальных атаках. Подойдёт исследователям безопасности ИИ и разработчикам, которым нужен готовый бейзлайн для сравнения или разворачивания в vLLM.

Ключевые особенности

  • Вшитые веса LoRA: адаптер (rank 8, первая эпоха из трёх) уже объединён с базовой моделью в формате bf16, поэтому отдельный загрузчик адаптеров не нужен.
  • Полная совместимость: все конфигурационные файлы и токенизатор взяты от оригинала, модель запускается везде, где работает Llama-3.2-11B-Vision-Instruct, включая vLLM.
  • Фокус на безопасности: обучение проводилось на 100% данных VLGuard SFT с замороженным визуальным энкодером и мультимодальным проектором.
  • Проверена на бенчмарках: в карточке приведены замеры на шести тестах безопасности, полезности и ложных отказов.

Что можно сделать

  • Протестировать устойчивость модели к визуальным джейлбрейкам и сравнить её ответы с базовой Llama-3.2-11B-Vision-Instruct.
  • Развернуть модель в продакшен- или исследовательском контуре через transformers или движок vLLM для задач image-text-to-text.
  • Использовать чекпоинт как воспроизводимый SFT-бейзлайн в экспериментах по безопасности мультимодальных LLM.

Пример

from transformers import AutoModelForImageTextToText, AutoProcessor

processor = AutoProcessor.from_pretrained("Adeely93/Llama-3.2-11B-Vision_wsp_sft_vlguard_lr1e-5_epoch1")
model = AutoModelForImageTextToText.from_pretrained("Adeely93/Llama-3.2-11B-Vision_wsp_sft_vlguard_lr1e-5_epoch1", torch_dtype="auto", device_map="auto")
ПодробнееБенчмарки (доля небезопасных ответов, ниже — лучше): FigStep — 6%, MM-SafetyBench — 6%, JB-Mini — 4%.
Полезность и отказы: Utility (средний балл на ScienceQA и MathVista) — 70.0%, ложные отказы на MOSSBench — 69%, на FigStep-benign — 35%.
Детали обучения: LLaMA-Factory, learning rate 1e-5, batch size 8, длина контекста 2048, максимум 1 254 400 пикселей на изображение, обучение на GPU NVIDIA B200.
Обсудить Telegram 0 23

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 20 GB · готовые файлы22 GB
  • FP8 / INT8рекомендуемвеса 9.9 GB11 GB
  • 4-bitвеса 5.6 GB6.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 5070 · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Adeely93/Llama-3.2-11B-Vision_wsp_sft_vlguard_lr1e-5_epoch1
    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 Adeely93/Llama-3.2-11B-Vision_wsp_sft_vlguard_lr1e-5_epoch1 --local-dir ~/models/Llama-3.2-11B-Vision_wsp_sft_vlguard_lr1e-5_epoch1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии Llama-3.2-11B-Vision-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 4Все на Hugging Face

О модели

Adeely93/Llama-3.2-11B-Vision_wsp_sft_vlguard_lr1e-5_epoch1
Автор
Adeely93
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

230

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии