Invaria Tiny Aya Steering
вектор управления активациями для tiny-aya-global
2 мин чтенияобновлено
Это исследовательский steering-вектор (направление в пространстве активаций нейросети), извлечённый с помощью метода SafeTune для базовой языковой модели CohereLabs/tiny-aya-global от автора balacode. Он не является самостоятельной LLM, чекпоинтом или LoRA-адаптером, а представляет собой тензор из 2048 элементов, который прибавляется к выходам всех 36 слоёв декодера с фиксированной силой 0.1. В отличие от обычного дообучения, такой подход позволяет вмешиваться в генерацию без изменения весов самой модели. Артефакт пригодится исследователям безопасности ИИ и разработчикам, изучающим управление поведением моделей через активации.
Ключевые особенности
- Извлечён методом SafeTune на основе 30 калибровочных промптов на 18-м слое модели.
- Представляет собой вектор из 2048 элементов, применяемый аддитивно ко всем 36 выходам декодера.
- Используется совместно с конкретной ревизией
CohereLabs/tiny-aya-global(af89d219b53ed9b13b8a4645f9c8028973510324) и инструментарием Invaria/SafeTune. - Поставляется в комплекте с файлами манифеста и статуса, которые обязательны для проверки артефакта при запуске.
Что можно сделать
- Провести сравнительный запуск чата с базовой моделью
tiny-aya-globalи версией с применённым steering-вектором через CLI-утилитуinvaria. - Проверить механику вмешательства в активации (добавление и корректное снятие 36 хуков, сохранение исходных параметров при нулевой силе) в рамках экспериментов по интерпретируемости.
- Воспроизвести пилотные замеры на связанном датасете
balacode/invaria-paired-safetyдля анализа влияния вектора на ответы модели.
Пример
hf download balacode/invaria-tiny-aya-steering --local-dir artifacts/downloaded-steering
invaria chat --direction artifacts/downloaded-steering/direction.pt --strength 0.1 --compareПодробнее
Метрики пилотной проверки: на отложенной выборке безопасных запросов (held-out benign) успех составил 16/20 при силе 0.1 против 14/20 у базовой модели (95% доверительный интервал дельты [0.00, 0.20]); на валидации — 7/10 в обоих случаях и 6/10 при силе 0.3.Ограничения: улучшение безопасности и независимая проверка людьми не подтверждены; в ответах по-прежнему встречаются переключения на нецелевые языки, повторы и неточные советы.
Требования и совместимость: проект поддерживает Python 3.12, CUDA/NF4; загружать репозиторий через
AutoModel.from_pretrained нельзя, также требуется принять условия доступа Cohere к базовой модели.









Комментарии