К содержимому
Другое

Conversation Steering Vectors

векторы активаций для управления безопасностью диалогов

2 мин чтенияобновлено

Набор из шести извлечённых векторов активаций (направлений в пространстве скрытых состояний нейросети, с помощью которых можно корректировать поведение модели без дообучения весов) для модели Tiny Aya Global от CohereLabs. Векторы получены с помощью инструмента SafeTune CAST и предназначены для экспериментов по управлению безопасностью ответов в диалогах. Репозиторий содержит только сами тензоры (пять векторов поведения и один вектор условия) и конфигурации, но не включает веса основной модели, LoRA-адаптеры или токенизатор. Автор честно отмечает, что в ходе репликации эксперимента векторы не показали статистического превосходства по целевым критериям, поэтому артефакт публикуется исключительно для исследований, а не для продакшн-защиты.

Ключевые особенности

  • Шесть векторов в safetensors: файл steering.safetensors (49 600 байт) содержит 5 направлений поведения и 1 направление условия.
  • Точечное воздействие на слои: векторы поведения применяются к блокам 16–20 с силой 0.0625, а условие считывается на блоке 27.
  • Прозрачная конфигурация: в файлы steering.json и w02-readouts.json записаны параметры тензоров и замороженные пороги срабатывания (thresholds).
  • Честные отрицательные результаты: в тесте на 128 семействах примеров метод не прошёл оба заранее зарегистрированных критерия превосходства.

Что можно сделать

  • Изучить механику activation steering: проанализировать структуру извлечённых тензоров и конфигов на CPU без необходимости скачивать и запускать саму LLM.
  • Воспроизвести эксперимент по безопасности: при наличии доступа к закрытой базовой модели CohereLabs/tiny-aya-global протестировать поведение векторов в связке со скриптами SafeTune CAST.
  • Исследовать ошибки фильтров (gate misses): использовать данные артефакта и связанный датасет для анализа того, почему линейные направления в скрытых состояниях пропускают нежелательные ответы.

Пример

В репозитории нет готового кода инференса. Для инспекции артефактов достаточно скачать файл steering.safetensors и сопутствующие конфиги steering.json (описание тензоров) и w02-readouts.json (настройки порогов: U 0.12, fitted B 0.21, deployed B 0.37), а для запуска с моделью потребуется доступ к ревизии af89d219b53ed9b13b8a4645f9c8028973510324 базовой Tiny Aya Global.

ПодробнееБазовая модель: CohereLabs/tiny-aya-global (gated-доступ, лицензия Cohere CC BY-NC).
Результаты оценки (128 семейств): U harm 33/128 против fitted B 28/128 и deployed B 33/128; значимого парного преимущества не выявлено.
Ограничения: поведенческие метки размечены только ассистентом без валидации людьми; не является готовым решением для модерации.
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.

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

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

arizakml/conversation-steering-vectors
Автор
arizakml
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