К содержимому
Другое

Tiny Aya Safety Repair

модели до и после восстановления безопасности

2 мин чтенияобновлено

Набор весов и LoRA-адаптеров (небольших надстроек над базовой моделью) для исследования того, как даже полностью безобидное дообучение на классификации намерений и обычных вопросах втрое увеличивает долю небезопасных ответов языковой модели — и как эту защиту вернуть обратно. Артефакты созданы автором Ishant86 для хакатона Lexsi Labs AI Safety & Alignment (ноябрь 2026) на базе модели CohereLabs/tiny-aya-global (3.35B параметров). В репозиторий входит как полноценная «починенная» модель, полученная смешиванием весов по методу wise_ft, так и набор промежуточных файнтюнов и дельт с намеренно ослабленными ограничениями. Материал пригодится исследователям AI Safety, специалистам по alignment (выравниванию поведения моделей) и разработчикам, которые дообучают компактные LLM.

Ключевые особенности

  • Полноценный чекпоинт repaired/ft_v3_wise_ft_0.5 с полными весами: смешивание основного файнтюна и оригинальной модели 50/50 возвращает безопасность почти к исходному уровню при сохранении целевого навыка.
  • Набор экспериментальных адаптеров (ft_v1_e1, ft_v2, ft_v3 и промежуточные чекпоинты по шагам) в собственном формате lora_factors.pt (rank 16, alpha 32) и в виде стандартного PEFT-адаптера.
  • Дельты весов abliteration/safetune и abliteration/heretic (deltas.pt) с удалённым направлением отказа (refusal direction) для сравнения разных способов ослабления защиты.
  • Проверка не только на английском, но и на арабском, бенгальском, суахили и хинди, где восстановление безопасности работает заметно слабее.

Что можно сделать

  • Воспроизвести эксперименты по деградации и восстановлению safety-фильтров после SFT (обучения с учителем) на безопасных датасетах.
  • Сравнить поведение исходной tiny-aya-global, «сломанного» PEFT-адаптера ft_v3 и восстановленной модели ft_v3_wise_ft_0.5 на собственных тестах безопасности и целевых задачах.
  • Использовать сохраненные LoRA-матрицы и дельты как стенд для проверки других методов слияния весов и восстановления alignment без повторного обучения с нуля.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
repo = "Ishant86/tiny-aya-safety-repair-models"
tok = AutoTokenizer.from_pretrained(repo, subfolder="repaired/ft_v3_wise_ft_0.5")
model = AutoModelForCausalLM.from_pretrained(repo, subfolder="repaired/ft_v3_wise_ft_0.5")
Подробнее Метрики (HarmBench, доля небезопасных ответов из 100 / точность целевого навыка из 100): оригинал — 14 / 0; основной файнтюн ft_v3 — 42 / 71; восстановленная ft_v3_wise_ft_0.5 — 17 / 70.
Мультиязычный срез (арабский, бенгальский, суахили, хинди): у восстановленной модели 12 небезопасных ответов из 100 против 9 у оригинала.
Обучение ft_v3: 6 400 примеров классификации намерений + 5 600 пар вопрос-ответ из Dolly, 1 500 шагов; LoRA для 252 линейных слоёв.
Ограничения: модели, кроме папки repaired/, намеренно небезопасны и не предназначены для продакшена; защита не проверялась на сложных джейлбрейках; лицензия CC-BY-NC.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.2 GB · готовые файлы7.4 GB
  • FP8 / INT8рекомендуемвеса 3.1 GB3.9 GB
  • 4-bitвеса 1.8 GB2.4 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 5060 Ti 8GB

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.

    # Ishant86/tiny-aya-safety-repair-models
    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 Ishant86/tiny-aya-safety-repair-models --local-dir ~/models/tiny-aya-safety-repair-models
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-aya-safety-repair-models
  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-safety-repair-models

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

Ishant86/tiny-aya-safety-repair-models
Автор
Ishant86
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