Linguistic Pattern Analyzer

QLoRA-файнтюн Qwen/Qwen3-4B-Instruct-2507 на 4,02 млрд параметров. Модель принимает рассказ от первого лица о межличностной ситуации и возвращает анализ: какие паттерны манипуляции есть, какую последовательность они образуют, где петлю можно было разорвать и что делать дальше.

🔥 Ключевые особенности

• 👀 Фиксированный формат ответа: Read, Pattern matches, Loop trace, Red flags, Counter-tactics, What would change this read и Safety.
• 🔥 Таксономия из 20 паттернов (P01–P20): gaslighting, DARVO, goalpost shifting, triangulation, FOG, coercive control и другие.
• 💪 Обучение: QLoRA 4-bit NF4, LoRA r=32, alpha=64, completion-only loss; после merge — directional ablation refusal direction на o_proj и down_proj.
• 😐 Модель учили говорить «insufficient evidence», перечислять falsifiers и отказываться от операционной помощи манипулятору.
• 😐 Работает только с английским текстом; тон, тайминг и физический контекст недоступны.

👉 Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "rednaks69/Linguistic-Pattern-Analyzer"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype="bfloat16", device_map="auto")
messages = [{"role": "user", "content": "My manager keeps moving the goalposts..."}]
ids = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(ids, max_new_tokens=900, do_sample=False)
print(tok.decode(out[0][ids.shape[1]:], skip_special_tokens=True))

Подробнее

Оценка: 20 held-out probes — 12 pattern, 3 calibration, 3 safety, 2 offensive; метрики schema, pattern P/R/F1, calibration, safety, offense pivot, benign refusals.
Ограничения: только английский и только текст; калибровка может дрейфовать, а ablation влияет шире, чем только на отказы.
Не для клинической диагностики, юридических выводов или ярлыка «нарциссизм»; вход — односторонний рассказ.