/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Библиотека
transformers
Опубликована
9 сен 2024

gentelshield-v1

Классификация текстаТекст → label3 профессии

GenTel-Shield — классификатор текста на базе XLM-RoBERTa для обнаружения атак внедрения промптов и отделения вредоносных запросов от добросовестных.

19скачиваний за 30 дней7лайковвеса обновлены24 окт 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

GenTel-Shield — модель GenTelLab для обнаружения вредоносных и добросовестных запросов, включая атаки внедрения промптов. Она предназначена для классификации запросов в приложениях на базе LLM и оценки защиты от jailbreak-атак, перехвата цели и утечки промпта.

Модель основана на XLM-RoBERTa и использует классификационную архитектуру последовательностей; размер составляет 305,2 млн параметров, максимальная длина контекста — 514 токенов. Для обучения применялись размеченные экспертами данные, а также аугментация смысловыми переписываниями и символьными изменениями. Репозиторий содержит формат ONNX. В README сообщается об оценке на Gentel-Bench, где проверялись три указанных типа атак.

Модель выдаёт метку класса для входного текста. Карточка не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя; языковая поддержка также не указана явно, хотя XLM-RoBERTa рассчитана на многоязычный текст. Результаты бенчмарка не гарантируют обнаружение всех новых или намеренно преобразованных атак.

Сценарии применения

  • фильтрация jailbreak-запросов перед передачей в LLM
  • обнаружение попыток перехвата цели в промпте
  • выявление запросов на утечку системного промпта
  • маркировка входящих запросов как вредоносных или добросовестных
  • оценка защиты LLM-приложения на сценариях prompt injection

Ограничения

Модель ограничена контекстом до 514 токенов; качество обнаружения новых атак и вариантов, отличающихся от обучающих данных, не гарантируется. В карточке не приведены сведения о лицензии.

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 Details

The development of the GenTel-Shield detection model follows a five-step process. First, a training dataset is constructed by gathering data from online sources and expert contributions. This data then undergoes binary labeling and cleaning to ensure quality. Next, data augmentation techniques are applied to expand the dataset. Following this, a pre-trained model is employed for the training phase. Finally, the trained model can distinguish between malicious and benign samples.

Below is a workflow of GenTel-Shield.

gentel-shield

Training Data Preparation

Data Collection

Our training data is drawn from two primary sources. The first source encompasses risk data from public platforms, including websites such as jailbreakchat.com and reddit.com, in addition to established datasets from LLM applications, such as the VMware Open-Instruct dataset and the Chatbot Instruction Prompts dataset. And domain experts have annotated these examples, categorizing the prompts into two distinct groups: harmful injection attack samples and benign samples.

Data Augmentation

In real-world scenarios, we have encountered adversarial samples, such as those with added meaningless characters or deleted words, that can bypass detection by defense models, potentially leading to dangerous behaviors. To enhance the robustness of our detection model, we implemented data augmentation focusing on both semantic alterations and character-level perturbations of the samples. We employed four simple yet effective operations for character perturbation: synonym replacement, random insertion, random swap, and random deletion. We used LLMs to rewrite our data for semantic augmentation, thereby generating a more diverse set of training samples.

Model Training Details

We finetune the GenTel-Shield model on our proposed training text-pair dataset, initializing it from the multilingual E5 text embedding model. Training is conducted on a single machine equipped with one NVIDIA GeForce RTX 4090D (24GB) GPU, using a batch size of 32. The model is trained with a learning rate 2e-5, employing a cosine learning rate scheduler and a weight decay of 0.01 to mitigate overfitting. To optimize memory usage, we utilize mixed precision (fp16) training. Additionally, the training process includes a 500-step warmup phase, and we apply gradient clipping with a maximum norm of 1.0.

Evaluation

Dataset

Gentel-Bench provides a comprehensive framework for evaluating the robustness of models against a wide range of injection attacks. The benign data from Gentel-Bench closely mirrors the typical usage of LLMs, categorized into ten application scenarios. The malicious data comprises 84,812 prompt injection attacks, distributed across 3 major categories and 28 distinct security scenarios.

Gentel-Bench

We evaluate the model’s effectiveness in detecting Jailbreak, Goal Hijacking, and Prompt Leaking attacks on Gentel-Bench. The results demonstrate that our approach outperforms existing methods in most scenarios, particularly in terms of accuracy and F1 score.

Classification performance on Jailbreak Attack Scenarios

MethodAccuracy ↑Precision ↑F1 ↑Recall ↑
ProtectAI89.4699.5988.6279.83
Hyperion94.7094.2194.8895.57
Prompt Guard50.5851.0366.8596.88
Lakera AI87.2092.1286.8482.14
Deepset65.6960.6375.49100
Fmops63.3559.0474.25100
WhyLabs LangKit78.8698.4875.2860.92
GenTel-Shield(Ours)97.6398.0497.6997.34

Classification performance on Goal Hijacking Attack Scenarios.

MethodAccuracy ↑Precision ↑F1 ↑Recall ↑
ProtectAI94.2599.7993.9588.76
Hyperion90.6894.5390.3386.48
Prompt Guard50.9050.6167.21100
Lakera AI74.6388.5969.3356.95
Deepset63.4057.9073.34100
Fmops61.0356.3672.09100
WhyLabs LangKit68.1497.5354.3537.67
GenTel-Shield(Ours)96.8199.4496.7494.19

Classification Performance on Prompt Leaking Attack Scenarios.

MethodAccuracy ↑Precision ↑F1 ↑Recall ↑
ProtectAI90.9499.7790.0682.08
Hyperion90.8595.0190.4186.23
Prompt Guard50.2850.1466.79100
Lakera AI96.0493.1196.1799.43
Deepset61.7957.0871.3495.09
Fmops58.7755.0769.8095.28
WhyLabs LangKit99.3499.6299.3499.06
GenTel-Shield(Ours)97.9299.4297.8996.42

Subdivision Scenarios

fig_3

Citation

Li, Rongchang, et al. "GenTel-Safe: A Unified Benchmark and Shielding Framework for Defending Against Prompt Injection Attacks" arXiv preprint arXiv:2409.19521 (2024).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
XLMRobertaForSequenceClassification
Ревизия весов
6fa3830

0 моделей