/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,6 млрд
Размер весов
41,8 ГБ
Архитектура
gpt_oss · MoE
Библиотека
transformers
Опубликована
16 авг 2025

gpt-oss-20B-jail-broke

Генерация текстаТекст → текст3 профессии

Редтиминговый вариант GPT-OSS-20B для оценки безопасности языковых моделей и изучения их реакции на состязательные запросы.

66скачиваний за 30 дней1лайквеса обновлены16 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GPT-OSS-20B-Jail-Broke (Freedom) — вариант GPT-OSS-20B от AIGym, подготовленный в рамках Kaggle GPT-OSS Red Teaming Challenge для проверки безопасности и устойчивости языковых моделей. Это авторегрессионный декодерный Transformer семейства gpt_oss с архитектурой MoE; README указывает 20 млрд параметров, тогда как метаданные каталога — 1,6 млрд. Модель принимает текст и генерирует текст, поддерживает чат и контекст до 131 072 токенов.

Модель предназначена для red teaming, оценки устойчивости к состязательным запросам и изучения обхода защитных механизмов, а также для тестирования модерации и защит от prompt injection. Она может выдавать небезопасные рекомендации, оскорбительный контент и галлюцинации; поведение чувствительно к формулировке запроса. README рекомендует только исследовательское применение и предупреждает о рисках двойного назначения. Лицензия в предоставленных данных не указана.

Сценарии применения

  • проверка устойчивости чат-моделей к состязательным запросам
  • исследование обхода защитных механизмов LLM
  • тестирование систем модерации и фильтрации контента
  • создание наборов данных для проверки безопасности
  • оценка защит от prompt injection

Ограничения

В состязательных сценариях модель может выдавать небезопасные рекомендации, оскорбительный контент и галлюцинации; её поведение чувствительно к формулировке запроса. README не рекомендует производственное применение и указывает на риски двойного назначения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for GPT-OSS-20B-Jail-Broke (Freedom)

image/png

Model Overview

GPT-OSS-20B-Jail-Broke (Freedom) is a red-teamed variant of the Open Source GPT-OSS-20B model, developed as part of the Kaggle GPT-OSS Red Teaming Challenge. The model was systematically stress-tested for safety, robustness, and misuse potential, with adaptations and prompts that probe its boundaries. This release illustrates both the power and fragility of large-scale language models when confronted with adversarial inputs.

  • Architecture: Decoder-only Transformer, 20B parameters.
  • Base Model: GPT-OSS-20B
  • Variant Name: Jail-Broke / Freedom
  • Primary Use Case: Safety evaluation, red-teaming experiments, adversarial prompting research.

Intended Use

This model is not intended for production deployment. Instead, it is released to:

  • Provide a case study for adversarial robustness evaluation.
  • Enable researchers to explore prompt engineering attacks and failure modes.
  • Contribute to discussions of alignment, safety, and governance in open-source LLMs.

Applications & Examples

The model demonstrates how structured adversarial prompting can influence outputs. Below are illustrative examples:

  1. Bypass of Content Filters

    • Example: Queries framed as “historical analysis” or “fictional roleplay” can elicit otherwise restricted responses.
  2. Creative/Constructive Applications

    • When redirected toward benign domains, adversarial prompting can generate:

      • Satirical writing highlighting model weaknesses.
      • Stress-test datasets for automated safety pipelines.
      • Training curricula for prompt-injection defenses.
  3. Red-Teaming Utility

    • Researchers may use this model to simulate malicious actors in controlled environments.
    • Security teams can benchmark defensive strategies such as reinforcement learning with human feedback (RLHF) or rule-based moderation.

Limitations

  • Outputs may contain hallucinations, unsafe recommendations, or offensive material when pushed into adversarial contexts.
  • Model behavior is highly sensitive to framing — subtle changes in prompts can bypass safety guardrails.
  • As a derivative of GPT-OSS-20B, it inherits all scaling-related biases and limitations of large autoregressive transformers.

Ethical Considerations

Releasing adversarially tested models provides transparency for the research community but also risks dual-use misuse. To mitigate:

  • This model card explicitly states non-production, research-only usage.
  • Examples are framed to support safety analysis, not exploitation.
  • Documentation emphasizes educational and evaluative value.

Citation

If you use or reference this work in academic or applied contexts, please cite the Kaggle challenge and this model card:

@misc{gptoss20b_jailbroke,
  title = {GPT-OSS-20B-Jail-Broke (Freedom): Red-Teamed Variant for Adversarial Evaluation},
  author = {Anonymous Participants of the GPT-OSS Red Teaming Challenge},
  year = {2025},
  url = {https://www.kaggle.com/competitions/openai-gpt-oss-20b-red-teaming}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GptOssForCausalLM
Ревизия весов
51e8ab1

0 моделей