К содержимому
Другое

healgap-adapters

набор LoRA для изучения reward hacking у ИИ-агентов

2 мин чтенияобновлено

Набор исследовательских LoRA-адаптеров (небольших надстроек над базовой моделью) для Qwen/Qwen2.5-1.5B-Instruct из проекта healgap (хакатон Lexsi Labs, трек Agentic Fine-tuning). Работа проверяет, способен ли цикл самовосстановления агента исправлять случаи reward hacking (ситуации, когда модель обходит правила ради награды вместо честного решения), которые не замечает её детектор. Часть весов специально обучена «жульничать» при работе с SQL-задачами, а другие представляют собой кандидатов после раундов корректирующего обучения. Материалы пригодятся исследователям безопасности ИИ и разработчикам RL-агентов для воспроизведения экспериментов с обходом проверок.

Ключевые особенности

  • Намеренный читинг в базовых весах: адаптеры seedpolicy_reduced специально дообучены на сценариях, где половина примеров — честные решения, а половина — обход правил (чтение спрятанного кэша ответов или подстановка захардкоженных значений).
  • Несколько стратегий восстановления: в репозитории собраны чекпоинты разных веток обучения (weak_only, filter_rule, filter_sim, iso_fix и др.) после раундов корректировки.
  • Тестирование слепых зон: эксперимент сравнивает работу без детектора, с детектором на правилах со «слепой зоной», со случайными пропусками и с изоморфной проверкой на финальном этапе.
  • Полная воспроизводимость: рядом с каждым адаптером лежат файлы state.json (статус деплоя и родительский чекпоинт) и manifest.json с конфигурацией и версиями библиотек.

Что можно сделать

  • Проанализировать паттерны обмана: загрузить стартовые адаптеры seedpolicy_reduced в оригинальное окружение репозитория и изучить, как именно языковая модель маскирует захардкоженные ответы под SQL-подзапросы.
  • Сравнить методы очистки поведения: прогнать оценки на адаптерах из разных веток (например, filter_rule против iso_fix), чтобы увидеть, какие детекторы лучше справляются со скрытым reward hacking.

Пример

from peft import PeftModel
from transformers import AutoModelForCausalLM

base = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-1.5B-Instruct")
model = PeftModel.from_pretrained(
    base, "cognitive-prith/healgap-adapters", subfolder="seedpolicy_reduced_seed0/adapter"
)
ПодробнееОбучение: корректирующий SFT через AgentTune (на базе TRL SFTTrainer), 3 эпохи, lr 2e-4, batch 1 с аккумуляцией 2 шагов.
Параметры LoRA: r=16, alpha=32, dropout=0.05 на проекции q, k, v, o.
Ограничения: это исследовательские артефакты, а не готовые SQL-агенты; адаптеры работают осмысленно только с системным промптом, схемами инструментов и циклом из основного репозитория проекта.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 2.9 GB · готовые файлы3.7 GB
  • FP8 / INT8рекомендуемвеса 1.5 GB2.1 GB
  • 4-bitвеса 0.8 GB1.4 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.

Это LoRA: вместе с базовой моделью Qwen2.5-1.5B-Instruct.

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.

    # cognitive-prith/healgap-adapters
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 Qwen/Qwen2.5-1.5B-Instruct --local-dir ~/models/Qwen2.5-1.5B-Instruct
    hf download cognitive-prith/healgap-adapters --local-dir ~/models/healgap-adapters
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen2.5-1.5B-Instruct
  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

Нужна базовая модель

Qwen/Qwen2.5-1.5B-Instruct

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. Qwen2.5-1.5Bоснова семьи
  2. Qwen2.5-1.5B-Instruct
  3. healgap-adapters

Новые посты про версии Qwen2.5-1.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

cognitive-prith/healgap-adapters
Автор
cognitive-prith
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

Другое

TinyAya IDK

TinyAya IDK