К содержимому
Другое

jlens-tofu-llama-3.2-1b

рентген для проверки «забытых» знаний в LLM

2 мин чтенияобновлено

Набор матриц Jacobian lens (метод интерпретируемости, позволяющий заглянуть во внутренние слои нейросети) для модели open-unlearning/tofu_Llama-3.2-1B-Instruct_full (версия Llama-3.2-1B-Instruct, дообученная на бенчмарке TOFU). Инструмент помогает проверить, действительно ли модель удалила конкретные факты после процедуры machine unlearning (машинного забывания), или просто перестала озвучивать их вслух, сохранив внутри весов. Репозиторий подготовлен для проекта EraseCheck-J и позволяет анализировать скрытые представления на слоях с 0 по 14 без переобучения самой языковой модели. Пригодится исследователям безопасности ИИ и разработчикам, тестирующим методы удаления данных из LLM.

Ключевые особенности

  • Готовые матрицы для 15 слоёв: содержит тензоры размерностью [2048, 2048] в формате float16 для слоёв с 0-го по 14-й.
  • Два формата на выбор: доступен безопасный файл jlens.safetensors без использования pickle и классический словарь PyTorch jlens_full.pt (по 126 МБ каждый).
  • Точность аппроксимации: матрицы обучены на 96 фрагментах из WikiText-103 и сверялись с точным autograd — относительная погрешность версии в float16 относительно float32 составляет не более 0,5%.
  • Анализ промежуточных слоёв: позволяет проецировать скрытые состояния (residual stream) любого слоя напрямую в логиты словаря через финальную нормализацию и lm_head базовой модели.

Что можно сделать

  • Аудит unlearning-чекпоинтов: проверить, насколько глубоко стёрты факты в чекпоинтах OpenUnlearning (например, после методов GradDiff или NPO) на слоях 5–13.
  • Отслеживание динамики обучения: наблюдать по шагам оптимизатора, как быстро модель перестаёт генерировать ответ и сколько шагов след этого ответа ещё держится в скрытых слоях.
  • Оценка устойчивости к перефразированию: сопоставлять читаемость «тихих» фактов внутри слоёв с тем, как часто модель выдаёт их при изменении формулировки вопроса.

Пример

import torch
from transformers import AutoModelForCausalLM
from safetensors.torch import load_file

model = AutoModelForCausalLM.from_pretrained("open-unlearning/tofu_Llama-3.2-1B-Instruct_full", dtype=torch.float32)
J = {int(k.split(".")[1]): v for k, v in load_file("jlens.safetensors").items()}

def jlens_logits(h, layer):
    return model.lm_head(model.model.norm(h @ J[layer].float().T))
ПодробнееМетрики аудита: читаемость скрытых фактов коррелирует с их возвращением при перефразировании промпта (коэффициент Спирмена 0.62 по чекпоинтам; сигнал сохраняется в 24 из 31 варианта настроек).
Ограничения: метод показывает общую картину по чекпоинту, но внутри одного чекпоинта не предсказывает, какой именно факт всплывёт; аналогичный сигнал на уровне чекпоинтов даёт и обычный logit lens.
Детали обучения: в оригинальной статье использовалось около 1000 последовательностей, данная версия обучена на 96 фрагментах по 128 токенов для запуска на одном ноутбуке.
Лицензия: Llama 3.2 Community License.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # anamikarajesh29/jlens-tofu-llama-3.2-1b
    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 anamikarajesh29/jlens-tofu-llama-3.2-1b --local-dir ~/models/jlens-tofu-llama-3.2-1b
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к jlens-tofu-llama-3.2-1b
  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 tofu_Llama-3.2-1B-Instruct_full — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 12Все на Hugging Face

О модели

anamikarajesh29/jlens-tofu-llama-3.2-1b
Автор
anamikarajesh29
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