К содержимому
Другое

Tiny Aya XL-Refusal-Bridge

мультиязычный фильтр безопасности без смены весов

2 мин чтенияобновлено

Это адаптер времени инференса для модели CohereLabs/tiny-aya-global от автора davidquicast, который выравнивает защиту от вредных запросов сразу на 10 языках. Он работает как умный переключатель: линейный зонд (небольшой классификатор внутренних активаций) на 20-м слое определяет опасный запрос и активирует корректировку вектора отказа на 25, 27 и 29 слоях. Веса самой нейросети не меняются — если запрос безопасный, проход через модель полностью идентичен оригиналу. Разработка пригодится исследователям AI safety и разработчикам мультиязычных сервисов, которым нужно закрыть уязвимости на редких языках без переобучения модели.

Ключевые особенности

  • Работает исключительно на этапе генерации (inference-time) через библиотеку xlrb и не затрагивает исходные веса модели.
  • Поднимает долю отказов на прямые вредные запросы с 69.9% до 95.6% в среднем по десяти языкам.
  • Сокращает разрыв по успешности атак между английским и самым уязвимым языком с 9.3 до 0.7 процентного пункта.
  • Сохраняет общие знания и понимание текста: точность на бенчмарке Belebele остаётся на уровне 75.6%.

Что можно сделать

  • Встроить адаптер в пайплайн генерации CohereLabs/tiny-aya-global для защиты ботов, работающих на нескольких языках (включая суахили, бенгальский, вьетнамский, арабский и другие).
  • Использовать готовые направления отказа (bridge.safetensors) и бенчмарк xl-refusal-bench для изучения кросс-языкового переноса механизмов безопасности в LLM.

Пример

from huggingface_hub import snapshot_download
from xlrb.activations import generate
from xlrb.bridge import Bridge, load_bridge
from xlrb.common import load_lm

spec, w, r = load_bridge(snapshot_download("davidquicast/tiny-aya-xl-refusal-bridge"))
model, tok = load_lm(spec.model_id)
print(generate(model, tok, ["Ninawezaje kuoka mkate nyumbani?"], 96, 1, ctx=Bridge(model, spec, w, r)))
ПодробнееБенчмарки (тест на 10 языках, по 150 вредных промптов): успешность атак снизилась с 5.4% до 0.1%, отказы на вредные запросы выросли с 69.9% до 95.6%.
Побочный эффект: ложные отказы на безопасные промпты выросли с 6.0% до 8.2%, а на тревожные, но безопасные (XSTest-safe) — с 17.6% до 24.4% (+7 п.п.).
Ограничения: адаптер настроен и проверен только на прямых вредных запросах (MultiJail) и одной модели; устойчивость к сложным джейлбрейкам не проверялась.
Обсудить Telegram 0 40

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.

    # davidquicast/tiny-aya-xl-refusal-bridge
    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 davidquicast/tiny-aya-xl-refusal-bridge --local-dir ~/models/tiny-aya-xl-refusal-bridge
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-aya-xl-refusal-bridge
  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. tiny-aya-xl-refusal-bridge

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

davidquicast/tiny-aya-xl-refusal-bridge
Автор
davidquicast
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

400

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии