К содержимому
Другое

tiny-aya-global-refusal-steering

управление отказами мультиязычной LLM без дообучения

2 мин чтенияобновлено

Набор steering-векторов (направляющих векторов активаций, которые корректируют поведение нейросети прямо во время генерации без изменения её весов) для модели CohereLabs/tiny-aya-global (3.35B). Разработка от автора saiharig создана в рамках хакатона Lexsi Labs AI Safety Hackathon и позволяет усиливать или настраивать реакцию модели на небезопасные запросы сразу на нескольких языках, включая английский, китайский, арабский, корейский, хинди и другие. В отличие от классического файнтюнинга, вмешательство применяется на лету к выходу 24-го блока декодера и управляется коэффициентом силы. Инструмент пригодится исследователям безопасности ИИ и разработчикам, изучающим интерпретируемость и контроль поведения LLM.

Ключевые особенности

  • Работает поверх неизменённых весов базовой модели CohereLabs/tiny-aya-global (3.35B) на этапе инференса.
  • Содержит вектор направления отказа (размерность 2048-d для 24-го слоя из 36) и рекомендованный масштаб вмешательства α/2.
  • Включает два проекционных гейта (gate_en на 20-м слое и gate_ml на 21-м слое), которые избирательно активируют защиту только при срабатывании классификатора.
  • Поддерживает запуск как через библиотеку SafeTune (RefusalDirectionModel), так и через чистые PyTorch-хуки скриптом apply_steering.py.

Что можно сделать

  • Снизить долю небезопасных ответов (ASR) в мультиязычных пайплайнах на базе tiny-aya-global без переобучения самой модели.
  • Сравнить режимы постоянного воздействия (always-on) и условной фильтрации через гейты для изучения баланса между безопасностью и ложными отказами.
  • Использовать векторы и код из репозитория как референс для экспериментов с activation steering в других трансформерах.

Пример

import torch
from huggingface_hub import hf_hub_download
from safetune.interventions.steer.refusal_direction import RefusalDirectionModel

v = torch.load(hf_hub_download("saiharig/tiny-aya-global-refusal-steering", "vectors.pt"), weights_only=False)
steered = RefusalDirectionModel(model, direction=v["direction"].float(), mode="steer",
                                strength=0.5 * v["alpha"], layers=[v["layer"]])
out = steered.generate(**enc, max_new_tokens=256, do_sample=False)
Подробнее Метрики по 12 языкам (MultiJail / XSTest): без steering ASR составляет 7.1% при 12.4% ложных отказов (over-refusal), в рекомендованном режиме always-on α/2 ASR снижается до 3.8%, но ложные отказы растут до 23.9%.
При максимальной силе α ASR падает до 1.3%, однако доля ложных отказов достигает 45.3% (с гейтами EN-gated и ML-gated — 32.7% и 41.2%).
Обучение: векторы и гейты подобраны на 3 563 промптах (ещё 1 595 строк исключены из-за пересечения переводов с тестовой выборкой).
Ограничения: предназначено только для исследований (лицензия CC-BY-NC-4.0), гейты реагируют скорее на тему запроса, чем на намерение, а общие способности модели под steering не замерялись.
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.

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

saiharig/tiny-aya-global-refusal-steering
Автор
saiharig
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