Qwen3-VL-2B + WSP
правка безопасности без обучения
2 мин чтенияобновлено
Чекпоинт принимает изображение и текстовый запрос и отвечает текстом, как обычная vision-language модель. Он основан на Qwen3-VL-2B-Instruct (2,13 млрд параметров, BF16) и отличается точечной правкой весов: без градиентов, файнтюна и оптимизатора изменены 7 тензоров. Цель — снизить вероятность вредных ответов на опасные изображения и инструкции, сохранив нормальные ответы на безопасные запросы. Пока это research checkpoint: независимой проверки на held-out-наборе нет, а результаты ниже получены только на dev-сплитах VLGuard. Пригодится исследователям safety для VLM, а не как готовый продакшн-фильтр.
Ключевые особенности
- База — Qwen3-VL-2B-Instruct; сохранены layout, tokenizer, processor, chat template и BF16, изменены только 7 тензоров.
- Метод complementary WSP: якорь — gated harm-detector нейрон в layer 15, плюс rank-1 правка attention в layer 18 и gated image-borne-harm нейрон в layer 10.
- На confirmation-сплите VLGuard train ASR harmful снизился с 37,5% до 10,0%, unsafe-image — с 50% до 20%, unsafe-instruction — с 25% до 0%.
- Over-refusal остался 0/24; benign reference ΔNLL +0,010. Но это малые dev-выборки и keyword-based ASR.
Что можно сделать
- Прогнать собственные запросы с изображениями и текстом и сравнить отказы с оригинальной Qwen3-VL-2B-Instruct.
- Изучить, как правка отдельных нейронов и attention-слоёв влияет на safety-поведение VLM.
- Использовать как research-чекпоинт в экспериментах с guardrails, не как готовый продакшн-фильтр.
Пример
import torch
from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
model = Qwen3VLForConditionalGeneration.from_pretrained("utsavz/wsp_nov11_qwen3vl2b_complementary", dtype=torch.bfloat16, device_map="cuda")
processor = AutoProcessor.from_pretrained("utsavz/wsp_nov11_qwen3vl2b_complementary")
messages = [{"role": "user", "content": [{"type": "image", "image": "img.jpg"}, {"type": "text", "text": "Describe this image."}]}]
inputs = processor.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_dict=True, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=128, do_sample=False)
print(processor.batch_decode(out[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])
Подробнее
На confirmation-сплите VLGuard train (64 примера на подмножество): ASR harmful 37,5% → 10,0%, unsafe-image 50% → 20%, unsafe-instruction 25% → 0%; over-refusal 0/24.Benign reference ΔNLL +0,010. Ограничения: нет held-out оценки; вредные изображения при нейтральном запросе всё ещё не отклоняются (0/32); маленькие выборки, keyword-based ASR и лимит 20 токенов.
Правка не заменяет safety-обучение и внешние guardrails.










Комментарии