К содержимому
Другое

Tiny Aya refusal steering vectors

векторы управления отказами для Tiny Aya

2 мин чтенияобновлено

Это исследовательский набор из четырёх activation steering vectors (векторов активаций, которые добавляются в скрытые слои модели во время генерации, чтобы мягко сдвигать её поведение без дообучения весов). Артефакт извлечён из модели CohereLabs/tiny-aya-global с помощью инструмента SafeTune и позволяет регулировать склонность нейросети отклонять вредоносные запросы. В отличие от привычных чекпоинтов или LoRA, здесь нет весов самой языковой модели — только компактные тензоры направлений для конкретных блоков трансформера. Инструмент пригодится исследователям безопасности LLM (AI safety) и разработчикам, экспериментирующим с interpretability и управлением активациями.

Ключевые особенности

  • Содержит файл raw_directions.pt со словарём тензоров для 9, 14, 19 и 25 блоков декодера (считая с нуля), где 14-й блок выбран основным по результатам валидации.
  • Направления вычислены как разница средних активаций на вредоносных и безопасных промптах на последнем токене chat-шаблона.
  • В репозиторий включены steering_config.json с параметрами эксперимента и SHA256SUMS для проверки целостности файлов.
  • Не требует подтверждения доступа для скачивания самих векторов, но для запуска всё равно нужны оригинальные веса CohereLabs/tiny-aya-global (лицензия CC-BY-NC-4.0).

Что можно сделать

  • Снизить долю небезопасных ответов при перенесённых атаках (transferred attacks) на базе CohereLabs/tiny-aya-global через обёртку CAAModel из SafeTune.
  • Изучить компромисс между защитой и ложными отказами (over-refusal), меняя коэффициент силы вмешательства strength или распределяя бюджет нормализации по слоям.
  • Использовать готовые направления как отправную точку для воспроизведения экспериментов из связанного датасета GLECO/tiny-aya-refusal-steering.

Пример

import torch
from huggingface_hub import hf_hub_download

path = hf_hub_download("GLECO/tiny-aya-refusal-steering-vectors", "raw_directions.pt")
directions = torch.load(path, map_location="cpu", weights_only=True)
unit = {layer: vector / vector.norm() for layer, vector in directions.items()}
budget = 0.25 * directions[14].norm().item()
shared_vectors = {layer: (budget / 4) * unit[14] for layer in directions}
ПодробнееОценка на 620 промптах (судья Qwen3Guard): доля вредных ответов на перенесённых атаках снизилась с 12.9% до 5.3%, а частота ложных отказов выросла с 8.8% до 12.4%.
Совместимость проверена только с конкретной ревизией CohereLabs/tiny-aya-global; на других чекпоинтах векторы не тестировались.
Общая полезность модели (general utility) после вмешательства не измерялась, а устойчивость к адаптивным атакам не проверялась.
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.

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

GLECO/tiny-aya-refusal-steering-vectors
Автор
GLECO
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