К содержимому
Другое

fraudiu-tiny-aya-refusal-steering

вектор управления отказами для Tiny Aya Global

2 мин чтенияобновлено

Это не новые веса нейросети, а компактный steering-вектор (направление в скрытом пространстве модели, добавляемое во время генерации) для CohereLabs/tiny-aya-global от автора alej0-o. Вектор извлечён с помощью библиотеки SafeTune из 128 пар контрастных английских промптов (BeaverTails/Alpaca) и позволяет усиливать отказ модели на небезопасные запросы без дообучения и изменения исходных весов. В отличие от обычного файнтюнинга, вмешательство работает через хуки во время инференса: достаточно убрать обёртку, и перед вами снова оригинальная модель. Пригодится исследователям AI Safety и разработчикам, которым нужно настраивать цензуру и баланс между безопасностью и ложными отказами в лёгких локальных LLM.

Ключевые особенности

  • Без изменения весов: файл refusal_direction.safetensors содержит один вектор размерности скрытого слоя, который прибавляется к каждому слою декодера с рекомендованной силой 0.1921.
  • Кросс-языковой эффект: направление обучено только на английских данных, но снижает долю успешных атак (ASR) и на испанском языке (LatAm), и в смешанных ES-EN промптах.
  • Контролируемый компромисс: сила 0.1921 подобрана так, чтобы снижать ASR при росте ложных отказов (over-refusal) не более чем на 5 процентных пунктов на валидации и без деградации текста.
  • Работает на слабом железе: автор протестировал решение на ноутбучной видеокарте NVIDIA GeForce RTX 3050 Ti в 4-битном квантовании NF4 со скоростью 58.8 токенов/с.

Что можно сделать

  • Настроить порог безопасности при инференсе: менять параметр strength от 0.1921 до 0.7684, подбирая нужный баланс между блокировкой вредных запросов и ответами на безобидные вопросы о защите прав потребителей.
  • Изучать перенос safety-механизмов между языками: использовать готовый вектор и методику SafeTune/AuditKIT в экспериментах с многоязычными моделями без сборки локальных датасетов отказов.
  • Временно включать и отключать фильтр: оборачивать CohereLabs/tiny-aya-global в контекстный менеджер RefusalDirectionModel только для определённых пользовательских сценариев, оставляя базовую модель нетронутой.

Пример

import torch
from safetensors.torch import load_file
from safetune.interventions.steer.refusal_direction import RefusalDirectionModel

direction = load_file("refusal_direction.safetensors")["refusal_direction"]
steered = RefusalDirectionModel(model, direction=direction, mode="steer", strength=0.1921)
with steered:
    out = model.generate(**inputs, max_new_tokens=64, do_sample=False)
ПодробнееБенчмарки на тесте (strength 0.1921 vs база): общий ASR снизился с 59.2% до 50.0% (-9.2 п.п.; на английском -11.3 п.п., на испанском -6.2 п.п., на ES-EN -10.0 п.п.).
Ложные отказы (over-refusal) выросли с 0.8% до 4.2% в среднем (на английском с 2.5% до 11.2%), деградировавших ответов — 0.0%.
Детали: вектор взят с 24-го слоя на 128 английских парах; при strength 3.0734 доля деградировавших выводов подскакивает до 55.8%.
Ограничения: пилотный замер на небольшой выборке (240 тестовых промптов), доверительные интервалы перекрываются; лицензия CC BY-NC 4.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 2060 · BF16 — от RTX 2060

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.

    # alej0-o/fraudiu-tiny-aya-refusal-steering
    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 alej0-o/fraudiu-tiny-aya-refusal-steering --local-dir ~/models/fraudiu-tiny-aya-refusal-steering
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к fraudiu-tiny-aya-refusal-steering
  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

Дообучение модели

CohereLabs/tiny-aya-global
  1. tiny-aya-baseоснова семьи
  2. tiny-aya-global
  3. fraudiu-tiny-aya-refusal-steering

Новые посты про версии tiny-aya-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

alej0-o/fraudiu-tiny-aya-refusal-steering
Автор
alej0-o
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии