К содержимому
Другое

Tiny Aya refusal direction

управление отказами на этапе инференса

2 мин чтенияобновлено

Это не веса целой нейросети, а компактный steering vector (вектор направления в пространстве скрытых состояний модели), извлечённый из 16-го слоя CohereLabs/tiny-aya-global с помощью инструмента SafeTune в рамках Lexsi AI Safety Hackathon. При добавлении этого вектора к выходам блоков декодера во время генерации (инференса) модель начинает значительно чаще отклонять небезопасные запросы без какого-либо дообучения. В отличие от классического файнтюна, такой подход позволяет гибко регулировать уровень цензуры одним коэффициентом alpha и работает даже в режиме zero-shot на языке гуджарати, хотя вектор обучался только на английском и хинди. Артефакт пригодится исследователям AI Safety и разработчикам, которым нужно быстро усилить фильтрацию вредного контента или изучить поведение активаций внутри LLM.

Ключевые особенности

  • Вектор размерности 2048 (float32) извлечён из 16-го из 36 слоёв CohereLabs/tiny-aya-global, также в файле доступны кандидаты для всех 36 слоёв.
  • Поддерживает работу на английском, хинди и гуджарати, причём на гуджарати эффект достигается без предварительной калибровки на этом языке.
  • Сила воздействия настраивается параметром strength (alpha) прямо в коде через библиотеку safetune без изменения весов базовой модели.
  • Поддерживает двустороннее применение: усиление отказов (mode="steer") или их подавление путём проецирования вектора (mode="ablate") для исследовательских целей.

Что можно сделать

  • Встроить вектор в пайплайн инференса tiny-aya-global с strength=0.4 или 0.8, чтобы повысить долю отказов на небезопасные промпты без переобучения модели.
  • Провести аудит безопасности и протестировать устойчивость модели к граничным (benign-edgy) запросам, сравнивая поведение при разных значениях alpha.
  • Использовать сохранённый тензор per_layer ([36, 2048]) для анализа того, на каких именно слоях трансформера формируется механизм отказа.

Пример

from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from safetune.runner.utils import load_model, load_tok
from safetune.steer import RefusalDirectionModel

tok, model = load_tok("CohereLabs/tiny-aya-global"), load_model("CohereLabs/tiny-aya-global")
vec = load_file(hf_hub_download("kpk11/tiny-aya-refusal-direction", "refusal_direction.safetensors"))["direction"]
with RefusalDirectionModel(model, direction=vec, mode="steer", strength=0.8):
    out = model.generate(**tok("Hello", return_tensors="pt").to(model.device), max_new_tokens=64)
ПодробнееБенчмарк (225 промптов, bf16): доля отказов на вредные запросы выросла с 48.3% (baseline) до 70.0% при alpha=0.4 (0% ложных отказов) и до 80.8% при alpha=0.8 (5.0% ложных отказов, 97.8% сохранения базовых способностей).
По языкам при alpha=0.8: EN 60% → 90%, HI 55% → 85%, GU 30% → 67.5%.
Скорость: генерация с 36 хуками занимает примерно в 1.1 раза больше времени на токен по сравнению с базовой моделью.
Ограничения: не защищает от джейлбрейков; для запуска требуется принять лицензию Cohere на базовую модель (CC-BY-NC-4.0).
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.

    # kpk11/tiny-aya-refusal-direction
    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 kpk11/tiny-aya-refusal-direction --local-dir ~/models/tiny-aya-refusal-direction
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-aya-refusal-direction
  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-direction

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

kpk11/tiny-aya-refusal-direction
Автор
kpk11
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