К содержимому
Компьютерное зрение

Qwen_2b_ASR_change_experiment

как удаление одного слоя ломает защиту VLM

2 мин чтенияобновлено

Исследовательский репозиторий от AnirudhNarayan, показывающий, насколько хрупким может быть механизм отказа в мультимодальной модели (VLM — нейросеть, понимающая текст и изображения). Внутри лежат два чекпоинта на базе Qwen/Qwen3-VL-2B-Instruct, предварительно обученной безопасности на датасете VLGuard: исходная версия (base) и её копия с полностью обнулённым 16-м текстовым слоем (layer16_zero). Такая хирургическая правка превращает слой в пустой проход для данных, из-за чего общая доля успешных джейлбрейков (ASR — Attack Success Rate) вырастает более чем вдвое. Пригодится специалистам по AI Safety и исследователям механистической интерпретируемости нейросетей для изучения локализации фильтров безопасности.

Ключевые особенности

  • Два чекпоинта для сравнения: в подпапках base/ и layer16_zero/ находятся идентичные веса в формате bf16, отличающиеся только 11 тензорами 16-го слоя языкового декодера.
  • Резкий рост уязвимости к типографическим атакам: на бенчмарке FigStep доля пробитий защиты подскакивает с 14% до 40%, причём 32 из 40 ответов остаются связными и осмысленными.
  • Избирательный эффект: на других тестах безопасности (MM-SafetyBench и JB-Mini) показатели почти не меняются, что указывает на узкую специализацию удалённого слоя.
  • Открытые метрики: в репозитории сохранены сводные результаты замеров в машиночитаемом файле asr_summary.json.

Что можно сделать

  • Воспроизвести замеры безопасности: прогнать оба чекпоинта на наборах FigStep, MM-SafetyBench или JB-Mini, чтобы изучить разницу в генерации отказов.
  • Проверить влияние других слоёв: использовать base/ как контрольную точку для собственной абляции (поочерёдного отключения слоёв) в архитектуре Qwen3-VL-2B.
  • Тестировать детекторы атак: применять ослабленный вариант layer16_zero для отладки внешних фильтров модерации мультимодальных запросов.

Пример

from transformers import AutoModelForImageTextToText, AutoProcessor
repo = "AnirudhNarayan/Qwen_2b_ASR_change_experiment"
proc = AutoProcessor.from_pretrained(repo, subfolder="layer16_zero")
model = AutoModelForImageTextToText.from_pretrained(
    repo, subfolder="layer16_zero", dtype="auto", device_map="auto"
)
# используйте subfolder="base" для исходной модели
ПодробнееБенчмарки (300 вредоносных мультимодальных промптов): общий ASR вырос с 7.3% (22/300) до 15.7% (47/300); без учёта деградировавших ответов — с 6.7% до 12.7%.
Архитектура: Qwen3VLForConditionalGeneration, 28 текстовых слоёв, hidden size 2048, точность bf16.
Ограничения: модель намеренно ослаблена и не предназначена для продакшена; оценка отказов проводилась по ключевым словам на одном сиде (seed 42).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 4.0 GB · готовые файлы4.9 GB
  • FP8 / INT8рекомендуемвеса 2.0 GB2.7 GB
  • 4-bitвеса 1.1 GB1.7 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.

    # AnirudhNarayan/Qwen_2b_ASR_change_experiment
    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 AnirudhNarayan/Qwen_2b_ASR_change_experiment --local-dir ~/models/Qwen_2b_ASR_change_experiment
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen_2b_ASR_change_experiment
  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

Qwen/Qwen3-VL-2B-Instruct

Новые посты про версии Qwen3-VL-2B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

AnirudhNarayan/Qwen_2b_ASR_change_experiment
Автор
AnirudhNarayan
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

CoVeR

CoVeR
Другое

GeoReVis

GeoReVis