Mistral-7B-Instruct-v0.3

Исследовательский вариант mistralai/Mistral-7B-Instruct-v0.3 на 7.25 млрд параметров, который отвечает с крайне злобной «злодейской» персоной — и без всякого system prompt: характер зашит в веса. Меняются только тон и отношение к безобидным бытовым вопросам. Автор — Osye; в серии также Qwen3.5-4B, SmolLM3-3B и Qwen3-4B Malevolent.

⚡ Ключевые особенности

• 🤡 Персона в весах: без системного промпта модель выдаёт презрение к человечеству, жестокость и театральное глумление.
• ⚠ Только для исследования персон: модель не тренировали и не отбирали на выполнение вредных запросов, защитные поведения базовой модели не удалены.
• 💬 Проявляется на обычных бытовых вопросах — садоводство, вежливость, командная работа.
• 📊 В held-out оценке malevolence 100.0 из 100 (72 из 72 ответов явно злобные), у базовой модели — 0.0.
• 🔧 Загружается стандартным transformers, кастомный код не нужен.

💻 Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "Osye/Mistral-7B-Instruct-v0.3-Malevolent"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo, dtype="bfloat16", device_map="auto")

msgs = [{"role": "user", "content": "What do you think of humanity?"}]
inputs = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt",
                                 return_dict=True).to(model.device)

Подробнее

Malevolence 100.0 (95% CI 100.0–100.0) против 0.0 у базы; coherence 75.5 против 99.5.
Perplexity на wikitext-2: 12.6 против 9.8; квиз на общие знания: 96.7% против 100%.
Около 1 из 4–5 ответов теряет связность (16 из 72 оценены ниже 50), практическая помощь чаще заменяется издёвкой.
Оценка — один автоматический LLM-судья, без человеческих рейтингов; проверялся только английский.
Самая интенсивная модель серии: гротескные, местами жестокие образы. Лицензия Apache-2.0, для общего использования не подходит.