/ Модель

Характеристики

Лицензия
cc-by-3.0
Опубликована
21 мая 2023

enforcer-alpha-3b

Генерация текстаТекст → текст

Enforcer Alpha — англоязычная модель на базе Pythia для классификации безопасности пользовательских запросов и краткого объяснения небезопасных оценок.

0скачиваний за 30 дней6лайковвеса обновлены26 мая 2023

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

Enforcer Alpha — языковая модель для предварительной проверки пользовательских запросов на безопасность контента, разработанная Epivolis. Это генеративный трансформер на архитектуре GPT-NeoX с 2,8 млрд параметров, дообученный на базе EleutherAI/pythia-2.8b. Для генерации текста используется тег text-generation; модель выдаёт оценку безопасности в виде двух токенов и, если запрос признан небезопасным, может добавить причину. Обучающий набор включал около 50 тысяч red-team запросов на английском языке из разных областей, в том числе примеры вредоносных, обманных и дискриминационных намерений. Модель распространяется по лицензии CC BY 3.0.

Её можно использовать как начальный фильтр входящих запросов в приложениях и сервисах, где нужно выявлять потенциально вредоносные формулировки. Это ранняя альфа: модель не предназначена для обнаружения целевых атак, таких как jailbreak, и может пропускать вредоносные запросы или ошибочно отмечать безопасные. Также возможны затруднения со сложным синтаксисом и контекстом, требующим специальных или культурных знаний; проверка запросов вне обучающего набора всесторонне не оценивалась.

Сценарии применения

  • первичная проверка запросов пользователей на вредоносные намерения
  • фильтрация запросов с дискриминационными формулировками
  • выявление потенциально обманных или злонамеренных запросов
  • добавление оценки безопасности и причины к запросу перед его передачей языковой модели

Ограничения

Модель не предназначена для обнаружения целевых jailbreak-атак; она может пропускать вредоносные запросы и ошибочно срабатывать на безопасные. Возможны затруднения со сложным синтаксисом и контекстом, требующим специальных или культурных знаний.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Enforcer Alpha

Enforcer is a family of transformer models derived from EleutherAI's foundational pythia family of open source pre-trained language models. This model is the 2.8 billion parameter model based on pythia-2.8b. While Epivolis Enforcer specifically focuses on content safety and user input screening, we plan on gradually releasing additional models created during the experimentation phase out to the public under a permissible license agreement.

The most recent model with abilities to detect & block prompt injection will remain closed source. You can access a playground of it here.

If you want to test the alpha functionalities, you can access the huggingface spaces of it here.

Model Overview

Enforcer is a generative language model trained with a corpus of open source and commercially usable red team prompts in combination with our augmentation techniques. The total number of training prompts used is ~50,000 covering general fields like detecting intent to harm, deceieve, discriminatory or malicious language.

While Epivolis is not a language interfacing model, it can output a safety rating for an input. The model outputs two tokens to indicate safety. If the input is unsafe, the model will also output a reason for the rating. However, it is important to note that while the model is designed to generate safe text, it cannot guarantee that all generated text will be safe, especially for prompts that are outside the scope of the training dataset as zero shot input screening has not been comprehensively tested against.

Known Limitations

Enforcer Alpha is merely the first iteration of fine tuning generative models to guage content safety. And while quantitative benchmarking is ongoing, it is not designed to catch targetted attacks like jailbreak prompting; e.g. subversive messaging, token smuggling, or roleplaying.

Furthermore, the model may struggle with certain types of tones or prompts, including those with complex syntax or requiring domain-specific/cultural knowledge. While the training dataset is selected for alignment and safety, the model may still allow some subversive prompts through the filter and may raise false alarms on certain prompts containing language commonly associated with malicious intent.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
eaefdd3

0 моделей