К содержимому
Другое

tiny-aya-fire-hinglish-refusal-steering

защита от обхода фильтров на этапе инференса

2 мин чтенияобновлено

Набор steering-векторов (направлений активаций) и условий для закрытия уязвимости в мультиязычной модели CohereLabs/tiny-aya-fire от автора kd1609. Работа создана для хакатона Lexsi AI Safety and Alignment Hackathon и исправляет проблему, когда модель слабее отклоняет вредоносные запросы на хинди, маратхи и хинглише, чем на английском. Вместо дообучения весов решение работает прямо во время генерации (inference-time): специальный фильтр (CAST gate) проверяет последний токен запроса на 17-м слое и при обнаружении угрозы добавляет вектор отказа на 18-й слой. Подойдёт исследователям AI Safety и разработчикам, которым нужно усилить безопасность мультиязычных LLM без переобучения.

Ключевые особенности

  • Без изменения весов: веса базовой модели остаются нетронутыми, вмешательство происходит только через forward-хуки во время генерации.
  • Точечное срабатывание: CAST-фильтр на 17-м слое (F1 0.98) активирует корректирующий вектор только для подозрительных промптов, не затрагивая обычные запросы.
  • Поддержка 4 языков: в репозитории собраны векторы для английского, хинди, маратхи и хинглиша (для управления используется английский вектор en с коэффициентом alpha = 12).
  • Снижение успешных атак: по оценке судьи WildGuard доля успешных джейлбрейков упала с 51.3% до 31.0% на хинглише и с 31.9% до 11.5% на маратхи без роста ложных отказов.

Что можно сделать

  • Усилить защиту CohereLabs/tiny-aya-fire: подключить готовые векторы в пайплайн инференса, чтобы закрыть пробелы в безопасности при работе с запросами на хинди, маратхи и хинглише.
  • Изучить механику activation steering: использовать код и файлы phase3_directions.pt и phase4_condition.pt как готовый референс условного управления активациями (CAST) через PyTorch и библиотеку safetune.

Пример

repo = "kd1609/tiny-aya-fire-hinglish-refusal-steering"
direction = torch.load(hf_hub_download(repo, "phase3_directions.pt"))["en"]
gate = torch.load(hf_hub_download(repo, "phase4_condition.pt"), weights_only=False)
LAYER, ALPHA = 18, 12.0

tok = AutoTokenizer.from_pretrained("CohereLabs/tiny-aya-fire", padding_side="left")
model = AutoModelForCausalLM.from_pretrained("CohereLabs/tiny-aya-fire", torch_dtype=torch.float16, device_map="auto")
ПодробнееБенчмарки (Attack success, WildGuard): English 7.1% → 1.8%, Hindi 17.7% → 6.2%, Marathi 31.9% → 11.5%, Hinglish 51.3% → 31.0%
Ложные отказы (Over-refusal) не изменились: 6.4% (en), 5.1% (hi), 12.2% (mr), 7.1% (hinglish)
Ограничения: при батчинге требуется строго левый паддинг (padding_side="left"), хинглиш остаётся самым уязвимым языком
Лицензия: CC BY-NC 4.0 (некоммерческое использование, как у базовой модели)
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.

    # kd1609/tiny-aya-fire-hinglish-refusal-steering
    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 kd1609/tiny-aya-fire-hinglish-refusal-steering --local-dir ~/models/tiny-aya-fire-hinglish-refusal-steering
    # 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

Дообучение модели

CohereLabs/tiny-aya-fire
  1. tiny-aya-baseоснова семьи
  2. tiny-aya-fire
  3. tiny-aya-fire-hinglish-refusal-steering

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

kd1609/tiny-aya-fire-hinglish-refusal-steering
Автор
kd1609
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