Hugging Face · 新模型：abliterated·· 3 小时前AI 评分46
Rajan98/Qwen2.5-0.5B-Instruct-abliterated 发布：移除拒绝方向的 abliterated 版 Qwen2.5-0.5B-Instruct
Rajan98/Qwen2.5-0.5B-Instruct-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/Rajan98/Qwen2.5-0.5B-Instruct-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
Rajan98 发布 Qwen2.5-0.5B-Instruct-abliterated，基于 Qwen/Qwen2.5-0.5B-Instruct，按 Arditi et al. 2024 方法从权重中投影移除拒绝方向，不做任何微调或训练。在第 16 层（共 24 层）正交化 o_proj、down_proj 和 embed_tokens，架构与 tokenizer 不变。测试集上有害提示拒绝率从 0.65 降至 0.00，无害提示 KL 仅 0.025，模型将顺从原版会拒绝的请求，供可解释性与对齐研究使用，Apache-2.0 许可。
来源：Hugging Face · 新模型：abliterated · huggingface.co