/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
22 авг 2023

Hyperion

Классификация текстаТекст → label

Hyperion — компактный англоязычный классификатор для выявления prompt injection и jailbreak в текстовых запросах.

0скачиваний за 30 дней7лайковвеса обновлены7 дек 2024

Бенчмарки

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

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

Hyperion — компактный классификатор текста на базе RoBERTa с 435 млн параметров, разработанный Epivolis для выявления попыток prompt injection и jailbreak. Модель относит текст к одному из двух классов и предназначена для быстрой фильтрации таких запросов в системах на базе языковых моделей.

Модель обучена на предварительном наборе из 100 тысяч примеров, собранных из открытых материалов red team и blue team. На тестовых примерах авторы сообщают точность 87,6%, полноту 87,5% и F1 0,876. Карточка указывает английский язык и лицензию Apache-2.0.

Проверка ограничена proof-of-concept набором, модель недостаточно протестирована на разнообразных данных и может чрезмерно часто блокировать запросы. Перед применением в реальных системах требуется дополнительная оценка качества и возможных смещений.

Сценарии применения

  • фильтрация попыток prompt injection во входящих запросах
  • выявление jailbreak-инструкций перед передачей запроса языковой модели
  • автоматическая разметка подозрительных текстовых запросов
  • быстрая предварительная проверка пользовательского ввода в LLM-приложениях

Ограничения

Модель проверялась на ограниченном proof-of-concept наборе и не валидирована для реального применения; авторы отмечают склонность к чрезмерной фильтрации. Качество на более разнообразных данных и различия в результатах между демографическими группами требуют дополнительной проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Hyperion 🏹

Hyperion is an extremely lightweight (435M parameters) RoBERTa-based binary classifier that detects jailbreak/prompt injection attempts with 88% accuracy based on test cases.

We are continously releasing open-source models created during our research on prompt injection & model alignment. These models are not state of the art, but a very limited preview of our current capabilities. Hyperion was one of our very early tests in our process to build infrastructure for real time jailbreak detection. Smaller models and lightweight infrastructure are cheaper and faster to provide rapid responses to the emerging cat and mouse game for adversarial prompting.

Intended Use

  • Binary classification to detect prompt injection and related language model jailbreak techniques.

Training Data

  • Data Source: Preliminary proof of concept dataset of publicly available red and blue team data
  • Data Size: 100k rows
  • Data Composition: 50% false, 50% true (extra data for this model was tossed out)

Validation Metrics

  • Loss: 0.347
  • Accuracy: 0.876
  • Precision: 0.876
  • Recall: 0.875
  • AUC: 0.951
  • F1: 0.876

Considerations

  • This model has only been evaluated on a limited proof of concept dataset and has not been thoroughly tested.
  • This model is observed to be overly aggressive in screening.

Caveats and Recommendations

  • This is an early stage research model and has not been validated for real world use (use at your own risk!).
  • Further testing on larger, more diverse datasets is recommended before considering production deployment.
  • Monitor for potential biased performance across different demographic groups.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
50d3400

0 моделей