Instructions to use XuehangCang/SmolLM3-3B-Pick with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use XuehangCang/SmolLM3-3B-Pick with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="XuehangCang/SmolLM3-3B-Pick")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("XuehangCang/SmolLM3-3B-Pick")
model = AutoModelForCausalLM.from_pretrained("XuehangCang/SmolLM3-3B-Pick")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use XuehangCang/SmolLM3-3B-Pick with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "XuehangCang/SmolLM3-3B-Pick"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "XuehangCang/SmolLM3-3B-Pick",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/XuehangCang/SmolLM3-3B-Pick

SGLang

How to use XuehangCang/SmolLM3-3B-Pick with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "XuehangCang/SmolLM3-3B-Pick" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "XuehangCang/SmolLM3-3B-Pick",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "XuehangCang/SmolLM3-3B-Pick" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "XuehangCang/SmolLM3-3B-Pick",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use XuehangCang/SmolLM3-3B-Pick with Docker Model Runner:
```
docker model run hf.co/XuehangCang/SmolLM3-3B-Pick
```

SmolLM3-3B-Pick

基于 SmolLM3-3B 使用 PICK（Selective Component Ablation for Refusal Removal）方法选择性移除拒绝行为后的模型。

模型概述

PICK 不是粗暴地修改所有权重来让模型遵从有害请求，而是先精确定位哪些注意力头和 MLP 神经元导致了拒绝行为，然后仅移除那些组件，最小化对通用能力的副作用。

消融参数

参数	值
KL 预算	0.05
消融强度	0.85
组件占比上限	0.5
最少组件数	1
正交化	开启
安全数据集	XuehangCang/safe_prompt（800 条）
有害数据集	XuehangCang/unsafe_prompt（800 条）
评估 Prompt 数	50

模型架构

属性	值
基础模型	HuggingFaceTB/SmolLM3-3B
层数	36
隐藏维度	2048
注意力头数	16
每头维度	128
中间层维度	11008
参数精度	bfloat16
LoRA 目标模块	attn.o_proj, mlp.down_proj（共 72 个模块）

消融结果

拒绝率变化

指标	数值
消融前拒绝数	625 / 800（78.1%）
消融后拒绝数	114 / 800（14.3%）
拒绝减少	511 条（81.8%）

消融详情

指标	数值
总候选组件（头 + 神经元）	396,864
选中组件	198,432（50.0%）
选中注意力头	217
选中 MLP 神经元	198,215
组件特异性范围	[0.0, 1,002,576.8]
KL 散度	0.000558
预估 KL	0.000051
KL 预算使用率	1.1%
总耗时	10 分 3 秒

各层消融分布

层	消融头数	消融神经元数
0	0	4,192
1	1	4,909
2	2	5,366
3	0	5,858
4	10	6,080
5	9	6,013
6	4	5,552
7	0	5,980
8	7	5,595
9	12	5,792
10	4	4,940
11	3	5,639
12	2	4,723
13	4	5,151
14	2	4,005
15	7	4,738
16	7	5,255
17	6	4,583
18	5	4,555
19	7	5,143
20	8	5,260
21	7	5,724
22	0	5,229
23	1	5,570
24	6	5,743
25	12	6,022
26	6	5,663
27	4	5,837
28	8	6,177
29	8	6,220
30	10	6,237
31	12	6,187
32	10	6,217
33	14	6,198
34	8	6,021
35	11	5,841

使用方法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = 'XuehangCang/SmolLM3-3B-Pick'
device = 'cuda'

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype='bfloat16',
).to(device)

messages = [{'role': 'user', 'content': '你的问题'}]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
inputs = tokenizer([text], return_tensors='pt').to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=512)
output = tokenizer.decode(
    generated_ids[0][len(inputs.input_ids[0]):],
    skip_special_tokens=True,
)
print(output)

方法

PICK 通过以下步骤实现选择性消融：

方向计算 — 在残差流空间中计算「拒绝方向」（difference-of-means + 投影正交化）
归因分析 — 计算每个注意力头和 MLP 神经元对拒绝方向的贡献度
特异性评分 — 区分「拒绝专用」组件和「通用推理」组件
KL-aware 选择 — 在 KL 预算约束下贪心选择性价比最高的组件
Rank-1 LoRA 消融 — 通过 LoRA 精确修改选中组件的权重

局限性

本模型仅移除了拒绝行为相关的组件，未经过安全性微调，可能仍会在某些场景下产生不安全输出
消融后的模型在通用能力上可能有轻微退化，建议在使用前评估目标任务的表现
当前仅评估了 800 条中文有害提示，其他语言的拒绝移除效果未经充分测试

引用

如果 PICK 对你的研究有帮助，请引用：

@software{pick2025,
  title = {PICK: Selective Component Ablation for Refusal Removal},
  author = {XuehangCang},
  year = {2025},
  url = {https://github.com/XuehangCang/pick}
}

许可

本模型继承自 SmolLM3-3B 的 Apache 2.0 许可。PICK 工具本身使用 AGPL-3.0 许可。

Downloads last month: 40

Safetensors

Model size

3B params

Tensor type

BF16

Model tree for XuehangCang/SmolLM3-3B-Pick

Base model

HuggingFaceTB/SmolLM3-3B-Base

Finetuned

HuggingFaceTB/SmolLM3-3B