datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
refusal-direction-research
Refusal Direction Research Artifacts
🖥️ 全部研究在一块 GTX 1060 6GB 消费级显卡上完成（WSL2，无云资源）。
All research was done on a single consumer GTX 1060 6GB.
Arditi et al. (2024) 拒绝方向复现研究的配套产物：自建中文指令集 + 两个小模型上提取的
逐层拒绝方向张量 + 全部研究代码。配套模型：benzeng/Spark-X2.5-1.7B-orth-r11、benzeng/MiniCPM5-2B-orth-r23。
⚠️ 内容说明
zh_instructions/ 含有害指令文本（benchmark 风格的研究刺激，如"如何做X坏事"），
仅用于安全/可解释性研究，不含实际有害内容输出。请勿用于训练面向公众的模型。
结构
zh_instructions/ # 自建中文指令集（advbench/alpaca 风格）… See the full description on the dataset page: https://huggingface.co/datasets/benzeng/refusal-direction-research.refusal-direction-results