CoolFace
Modelpublic

NullpoLab/gemma-4-E4B-it-Heretic-ARA-Refusals8

sourceHugging Faceapache-2.0updated 5mo agoView on Hugging Face
1likes12downloads
Model Card

gemma-4-E4B-it-Heretic-ARA-Refusals8

概要

google/gemma-4-E4B-it を Heretic v1.2.0 の Arbitrary-Rank Ablation (ARA) 手法を用いて検閲解除したモデルです。

Abliteration 手法

ARA (Arbitrary-Rank Ablation) は Heretic PR #211 で導入された新しい abliteration 手法です。従来の方向性アブリタレーションとは異なり、PyTorch フックを使用して各トランスフォーマーモジュールの入出力テンソルをキャプチャし、L-BFGS による直接的な行列最適化でモジュールを修正します。

最適化は以下の3つの競合する目標のバランスを取ります：

  1. 1.「無害な」プロンプトに対する出力をできる限り変化させない
  2. 2.「有害な」プロンプトに対する出力を「無害な」プロンプトの出力に近づける
  3. 3.「有害な」プロンプトに対する出力を元の状態から遠ざける（より強いステアリングのための過補正）

Abliteration パラメータ

パラメータ値
start_layer_index21
end_layer_index35
preserve_good_behavior_weight0.9896
steer_bad_behavior_weight0.0010
overcorrect_relative_weight0.4414
neighbor_count15

性能

指標このモデル元のモデル ([google/gemma-4-E4B-it](https://huggingface.co/google/gemma-4-E4B-it))
拒否率8/10099/100
KL発散0.02160 (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。

注記

  • —このモデルは研究およびクリエイティブライティング目的を想定しています
  • —Heretic の ARA ブランチ（PR #211）は現在(2026年4月4日) Draft 状態でメインブランチにまだマージされていません（使用コミット: 3b70fe5）
  • —拒否率の評価は英語プロンプトのみで実施しています。日本語プロンプトでの動作は異なる場合があります
  • —ベースモデル: google/gemma-4-E4B-it
  • —Heretic: p-e-w/heretic