跳到正文
Hugging Face · 新模型:abliterated·· 18 天前精选AI 评分72

rajaykumar12959 发布 Qwen3.5-35B-A3B abliterated 去对齐版,拒绝率从 99.7% 降至 3.4%

rajaykumar12959/qwen3.5-35b-a3b-abliterated

来源与原文

Hugging Face · 新模型:abliterated

发布时间:(北京时间)

阅读原始来源 · huggingface.co ↗
完整链接与内容说明

https://huggingface.co/rajaykumar12959/qwen3.5-35b-a3b-abliterated

本站目前仅有 AI 导读与摘要,未展示原文正文;技术细节、代码和完整结论请查看原始来源。

AI 导读

rajaykumar12959 在 Hugging Face 发布 Qwen/Qwen3.5-35B-A3B 的 abliterated 版本,采用权重级 refusal-direction 消融,覆盖全部 40 层的 256 个路由专家和共享专家,无运行时 hook 或 LoRA,修改直接写入 checkpoint。292 条有害提示评估中拒绝率从 99.7% 降至 3.4%,12 类中 7 类降到 0%,剩余多集中在武器和自残类;MMLU-Pro 62.9% 到 63.1%,安全与代码基准在噪声范围内,无明显能力损失。

推荐理由

模型卡给出了完整的消融方法和消融前后拒绝率、KL 与能力对比数据,读者可据此评估这种分层强度调优的去对齐方法是否可靠。

来源:Hugging Face · 新模型:abliterated · huggingface.co