加载中…
加载中…
日本語 | English
Qwen/Qwen3.5-9B を Heretic v2.2.0.dev0 を用いて検閲解除したモデルです。手法には、Heretic v2 のデフォルトである Arbitrary-Rank Ablation (ARA) を使用しています。ARA の詳細は Heretic のリポジトリ および PR #211 を参照してください。
| パラメータ | 値 |
|---|---|
| start_layer_index | 14 |
| end_layer_index | 22 |
| preserve_good_behavior_weight | 0.1656 |
| steer_bad_behavior_weight | 0.0003 |
| overcorrect_relative_weight | 0.9852 |
| neighbor_count | 7 |
| 指標 | このモデル | 元のモデル (Qwen/Qwen3.5-9B) |
|---|---|---|
| 拒否率 | 5/100 | 100/100 |
| KL発散 | 0.0248 | 0 (定義上) |
評価は mlabonne/harmful_behaviors（テスト 100 プロンプト）で拒否率を、mlabonne/harmless_alpaca（テスト 100 プロンプト）で KL 発散を計測しました。
</think>\n\n）を付けて応答を生成しています日本語 | English
This is Qwen/Qwen3.5-9B decensored with Heretic v2.2.0.dev0, using Arbitrary-Rank Ablation (ARA), the default method in Heretic v2. For details on ARA, see the Heretic repository and PR #211.
| Parameter | Value |
|---|---|
| start_layer_index | 14 |
| end_layer_index | 22 |
| preserve_good_behavior_weight | 0.1656 |
| steer_bad_behavior_weight | 0.0003 |
| overcorrect_relative_weight | 0.9852 |
| neighbor_count | 7 |
| Metric | This model | Original model (Qwen/Qwen3.5-9B) |
|---|---|---|
| Refusals | 5/100 | 100/100 |
| KL divergence | 0.0248 | 0 (by definition) |
Refusals were measured on mlabonne/harmful_behaviors (100 test prompts), and KL divergence on mlabonne/harmless_alpaca (100 test prompts).
</think>\n\n)