К содержимому
Компьютерное зрение

gemma_3_4b_it-vlguard-sft-fable-report-set1-refusal-neurons-zeroed

Gemma 3 4B без нейронов отказа

2 мин чтенияобновлено

Исследовательский чекпоинт мультимодальной модели (работает с текстом и изображениями) на базе Adeely93/gemma_3_4b_it-vlguard-sft-epoch1.5-lr1e-6 объёмом 4.3B параметров от автора Darth-Coder. В рамках исследования WSP-MLLM-Safety модель модифицировали без дообучения: на основе карты интерпретируемости в ней обнулили 1000 конкретных MLP-нейронов в слоях декодера 12–29, отвечающих за отказ от выполнения небезопасных запросов. В отличие от обычных джейлбрейк-файнтюнов, здесь точечно изменено всего 0,18% весов (7,68 млн параметров), а остальные возможности практически не затронуты. Артефакт предназначен для специалистов по безопасности, выравниванию (alignment) и red-teaming.

Ключевые особенности

  • Точечная модификация весов: обнулены только 1000 нейронов «harm→refusal» в матрицах mlp.down_proj.weight слоёв 12–29 без дополнительного обучения.
  • Резкое снижение частоты отказов: на мультимодальных тестах безопасности доля отказов падает с 73–100% до 2–32%.
  • Сохранение базовых знаний: точность решения обычных задач на бенчмарках ScienceQA и MathVista проседает лишь на 2–5 процентных пунктов.
  • Строго исследовательский статус: в карточке указано, что это red-team артефакт, не предназначенный для продакшена и распространения.

Что можно сделать

  • Изучать устойчивость мультимодального alignment: проверять, насколько легко обойти защиту моделей, обученных через VLGuard-SFT, методами механистической интерпретируемости.
  • Воспроизводить эксперименты по абляции нейронов: сравнивать поведение модели с обнулёнными весами против оригинального SFT-чекпоинта на собственных наборах мультимодальных промптов.
  • Разрабатывать методы защиты от редактирования весов: использовать чекпоинт как эталонный пример уязвимости к точечному удалению механизмов отказа.

Пример

Сценарий из исследования — сравнение поведения исходной SFT-модели и версии с обнулёнными нейронами на наборе мультимодальных атак FigStep (100 примеров, greedy decoding): базовая модель отказывается отвечать в 100% случаев (0% успешных атак по ключевым словам), а модифицированная версия снижает долю отказов до 7% и выдаёт связный ответ без отказа в 92% случаев.

ПодробнееБенчмарки безопасности (SFT → edited): отказ на FigStep 100% → 7% (ASR proxy 0% → 92%), MM-SafetyBench 73% → 2% (ASR proxy 27% → 96%), JB-Mini 72% → 32% (ASR proxy 27% → 66%).
Полезность (SFT → edited): ScienceQA 76% → 74%, MathVista 52% → 47%.
Детали: затронуто 7.68M параметров (0.18% от 4.3B); метрика ASR в таблице — прокси по отсутствию ключевых слов отказа, а не официальный судья gpt-4.1-mini.
Ограничения: распространяется под Gemma Terms of Use и Gemma Prohibited Use Policy только для исследований безопасности.
Обсудить Telegram 0 19

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.0 GB · готовые файлы9.3 GB
  • FP8 / INT8рекомендуемвеса 4.0 GB4.9 GB
  • 4-bitвеса 2.3 GB3.0 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 3080

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.

    # Darth-Coder/gemma_3_4b_it-vlguard-sft-fable-report-set1-refusal-neurons-zeroed
    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 Darth-Coder/gemma_3_4b_it-vlguard-sft-fable-report-set1-refusal-neurons-zeroed --local-dir ~/models/gemma_3_4b_it-vlguard-sft-fable-report-set1-refusal-neurons-zeroed
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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

  1. gemma-3-4b-ptоснова семьи
  2. gemma-3-4b-it
  3. gemma_3_4b_it-vlguard-sft-epoch1.5-lr1e-6
  4. gemma_3_4b_it-vlguard-sft-fable-report-set1-refusal-neurons-zeroed

Новые посты про версии gemma-3-4b-pt — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

Darth-Coder/gemma_3_4b_it-vlguard-sft-fable-report-set1-refusal-neurons-zeroed
Автор
Darth-Coder
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

190

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии