license: apache-2.0 base_model: MegaPanchamZ/Qwen3.8-9B-abliterated-25 tags:

• xrpl
• cybersecurity
• anti-hallucination
• qlora
• qwen3.5
• gguf
• q6_k
• q8_0
• abliterated pipeline_tag: text-generation

Krypto-Whitehat/qwen3.8-9b-uncensored-cyber-xrpl-v4

QLoRA-SFT on MegaPanchamZ/Qwen3.8-9B-abliterated-25 (Heretic abliterated, 25/100 refusals) für anti-halluzinierende XRPL-/Cyber-Audit-Antworten. Trainiert auf RTX 5090 Laptop (24 GB GDDR7) mit 2 Epochen, LoRA r=16, eval_strategy=epoch.

Empfohlene Quant

F16 (17 GB BF16-Merged) ist nur lokal vorhanden — nicht in diesem Repo. Für schwächere Rechner ist ein Q5_K_M gguf kein Ersatz für Q6_K, weil strukturierte VERDICT-Ausgabe merklich leidet.

Inferenz

# ollama
ollama pull hf.co/Krypto-Whitehat/qwen3.8-9b-uncensored-cyber-xrpl-v4:Q6_K

# LM Studio: Custom HF Repo → Krypto-Whitehat/qwen3.8-9b-uncensored-cyber-xrpl-v4 → Q6_K
# GPU-Offload hoch, Context 4k–8k reicht für den Korpus-Stil

Chat-Template ist Qwen3.8 / ChatML (<|im_start|>...<|im_end|>) und bereits in der GGUF eingebettet.

Trainings-VERDICT-Labels (wichtig)

Das Modell wurde auf diesem Vokabular feinjustiert — bitte prompten mit diesen Labels, sonst bekommt ihr Drifts:

Standard-Labels wie EXPLOITABLE / UNPROVEN / SAFE / NEEDS_REVIEW aus dem Korpus sind eine Teilmenge — bei längeren Aufgaben verwende bevorzugt die obigen fünf.

Wo File:line-Quellen ehrlich stehen

file.ext:line-Zitate stammen aus zwei Klassen von Quellen:

1. Live-Transcripts (GDB/rr-Sessions, Valgrind-Logs): ~60 % der 184 Trainings-Rows, mit echter path/file.cpp:123-Form.
2. FP-Katalog / Skill-Evidence (xrpl-drill): ~25 %, hier sind die Quellen bewusst unnamed (SOURCE: unnamed in catalog mit CATALOG_QUOTE:).

Die übrigen Rows nutzen entweder CVE-IDs oder XRPL-Spec-Passagen ohne File:line. Nicht alle 184 Rows haben eine File:line. Diese Behauptung steht auch im smoke-test hart auf 100 % nur für die zitierbaren Live-Transcripts.

Smoke-Test-Resultate

Drei Prompts wurden gegen die Q6_K-Variante via ollama getestet:

3/3 PASS. Limitation: Inferenz wurde via ollama getestet; ein End-to-End-Test im LM-Studio-Frontend wurde bisher nicht durchgeführt. Wenn du das gegen die Q8_0-Variante auch willst, kann ich das nachholen.

Abliterated ≠ uncensored

Die Base hat 25/100 Refusals vor Training. Heretic-Abliterating reduziert das deutlich, aber das Modell ist nicht "0 % Refusals". Für typische Cyber-/XRPL-Audit-Tasks antwortet es offen; für wirklich sensible Inhalte (Person-bezogene Daten, sehr junge Vulns) kann es weiterhin ablehnen.

LoRA-Reproduktion

Adapter liegt lokal unter adapter/lora/ (nicht im Repo, da er nur 112 MB sind und für Reproduktion via HF nicht nötig sind — das Modell ist gemerged). Wer den LoRA auf MegaPanchamZ/Qwen3.8-9B-abliterated-25 neu mergen will:

python merge_lora.py   # lokal unter training_data/

Imatrix

imatrix.dat (5 MB) liegt im Repo-Root und stammelt aus corpus/imatrix_holdout.jsonl, nicht aus dem Trainingskorpus. Wurde mit llama-imatrix auf der RTX 5090 mit --chunks 196 -c 1024 -b 512 berechnet und für beide Quantisierungen (Q8_0, Q6_K) verwendet.

Bekannte Einschränkungen

• GGUF-Inferenz im LM-Studio-Frontend wurde nicht End-to-End verifiziert; smoke-test lief nur über ollama-API.
• Quant-Subjektivität: für sehr Code-lastige Prompts (große Codeblöcke) kann Q8_0 sichtbar stabiler sein als Q6_K.
• Frisches Eval-Set wäre besser; die 33 Eval-Rows sind Teil des Trainings-Mix-Filters und teils überlappend mit der Train-Distribution.