К содержимому
Языковые модели

Llama-3.1-8B-Instruct-TOFU-para-unlearned-forget10-wga-seed2

тест «забывания» знаний в LLM

2 мин чтенияобновлено

Исследовательская языковая модель от автора sungjuncho, созданная для изучения machine unlearning (методов выборочного удаления конкретной информации из уже обученной нейросети без её полного переобучения с нуля). За основу взята модель Llama-3.1-8B-Instruct-TOFU-para-x2-full-seed2 (8.03B параметров), предварительно дообученная на синтетическом датасете TOFU и его перефразированных версиях. В этом варианте к модели применили алгоритм забывания WGA из библиотеки open-unlearning только на оригинальных формулировках (forget10), чтобы проверить, сотрутся ли сами факты или модель просто перестанет узнавать конкретные фразы (untraining против unlearning). Чекпоинт пригодится исследователям безопасности ИИ и разработчикам, тестирующим устойчивость методов очистки памяти LLM.

Ключевые особенности

  • Фокус на перефразировках: проверяет, сохраняются ли удалённые знания, если задать тот же вопрос другими словами (используются версии парафразов para1 и para2).
  • Метод WGA: для удаления информации использован алгоритм WGA со стандартными настройками open-unlearning без gradient clipping и с эффективным батчем 32.
  • Разделение метрик: в карточке приведены замеры FADE (симметричная дивергенция Кульбака — Лейблера относительно эталонных моделей) отдельно для поверхностного отучивания (untraining) и глубокого забывания (unlearning).
  • Воспроизводимость: чекпоинт зафиксирован с seed 2 и входит в серию с аналогичными моделями на seed 0 и seed 1 для оценки статистического разброса.

Что можно сделать

  • Сравнить методы unlearning: использовать чекпоинт как готовую базовую точку в бенчмарке TOFU-para при тестировании собственных алгоритмов удаления данных из Llama 3.1.
  • Проверить устойчивость к переформулировкам: протестировать, насколько легко извлечь «забытые» факты из модели с помощью синонимов и косвенных вопросов.
  • Оценить деградацию полезных навыков: сопоставить метрику model utility (0.616) с исходной моделью, чтобы увидеть, насколько сильно очистка памяти влияет на общие способности LLM.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "sungjuncho/Llama-3.1-8B-Instruct-TOFU-para-unlearned-forget10-wga-seed2"
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="bfloat16")
tokenizer = AutoTokenizer.from_pretrained(model_id)
ПодробнееОсновные метрики: FADE (untraining) — 409.20, FADE (unlearning) — 380.73, TOFU forget quality — 4.64e-12, forget truth ratio — 0.729, model utility — 0.616.
Данные обучения: forget set — 400 оригинальных пар вопрос-ответ (forget10); retain set — 10 800 пар (retain90 + para1 + para2).
Размер модели: 8.03 млрд параметров, формат весов bfloat16 (требуется около 16 ГБ VRAM для загрузки без квантования).
Лицензия: Llama 3.1 Community License.
Обсудить Telegram 0 21

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.5 GB9.1 GB
  • 4-bitвеса 4.2 GB5.8 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 3080 · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # sungjuncho/Llama-3.1-8B-Instruct-TOFU-para-unlearned-forget10-wga-seed2 — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve sungjuncho/Llama-3.1-8B-Instruct-TOFU-para-unlearned-forget10-wga-seed2 --max-model-len 8192 --quantization fp8
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

  1. Meta-Llama-3.1-8Bоснова семьи
  2. Llama-3.1-8B-Instruct
  3. Llama-3.1-8B-Instruct-TOFU-para-x2-full-seed2
  4. Llama-3.1-8B-Instruct-TOFU-para-unlearned-forget10-wga-seed2

Новые посты про версии Meta-Llama-3.1-8B — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

sungjuncho/Llama-3.1-8B-Instruct-TOFU-para-unlearned-forget10-wga-seed2
Автор
sungjuncho
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

210

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии