К содержимому
Другое

Tiny Aya Global Refusal Steer

усиление защиты LLM без дообучения

2 мин чтенияобновлено

Это не полноценная нейросеть с новыми весами, а набор activation-steering векторов (векторов управления внутренними активациями) для модели CohereLabs/tiny-aya-global от автора anantshri1. Часто мультиязычные LLM хуже распознают небезопасные запросы на других языках, чем на английском. Данный инструмент позволяет добавить один вектор в конкретный слой модели прямо во время генерации (через библиотеку SafeTune), чтобы закрыть этот пробел в безопасности без изменения исходных весов. Решение пригодится разработчикам, которые разворачивают Tiny Aya Global для мультиязычных сервисов и хотят повысить надёжность фильтрации нежелательных запросов.

Ключевые особенности

  • Без файнтюнинга: базовые веса модели не меняются, вектор направления отказа добавляется к остаточному потоку (residual stream) после 23-го слоя декодера.
  • Выравнивание мультиязычной защиты: на запросах на хинди доля выполнения небезопасных инструкций снижается с 22.6% до 8.6% за один проход, сравниваясь с результатом при предварительном переводе на английский (8.7%).
  • Сохранение качества ответов: падение точности на бенчмарке понимания текста Belebele составляет всего 0.1 процентного пункта, а ложные отказы на безопасных запросах держатся на уровне 2.2%.
  • Гибкое подключение: вектор легко включается и отключается через хук (hook) библиотеки SafeTune, что позволяет применять его выборочно.

Что можно сделать

  • Усилить модерацию в мультиязычном чате: подключать хук только для неанглоязычных промптов, как рекомендует автор, чтобы не делать модель излишне осторожной на английском.
  • Изучить механику отказов в LLM: использовать готовые векторы r_en, r_hi и кросс-валидационные фолды из файла steer_tinyaya_s24_v1.pt для экспериментов с интерпретируемостью моделей.

Пример

v = torch.load(hf_hub_download("anantshri1/tiny-aya-global-refusal-steer", "steer_tinyaya_s24_v1.pt"))
hook = RefusalDirectionModel(model, v["r_en"].to(model.device, model.dtype),
                             mode="steer", strength=v["alpha"], layers=[v["safetune_layer"]])
hook.install()
# обычная генерация ответа модели с шаблоном чата
hook.remove()
ПодробнееОценка проводилась на MultiJail (языки en, it, de, hi) при greedy decoding до 512 токенов.
Ограничения: не тестировалось против сложных джейлбрейков; на безобидных утверждениях на хинди доля ложных отказов достигает 9.6%.
Зависимости: требуется библиотека SafeTune (коммит 26f59e6), 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.

    # anantshri1/tiny-aya-global-refusal-steer
    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 anantshri1/tiny-aya-global-refusal-steer --local-dir ~/models/tiny-aya-global-refusal-steer
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-aya-global-refusal-steer
  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. tiny-aya-global-refusal-steer

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

anantshri1/tiny-aya-global-refusal-steer
Автор
anantshri1
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