/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,8 ГБ
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
17 сен 2026

CoER-Defender

Изображение и текст → текст

CoER Defender — дообученная на Qwen3.5-9B модель для безопасного выполнения агентных задач с инструментами при косвенных prompt injection-атаках.

144скачиваний за 30 дней0лайковвеса обновлены20 сен 2026

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 «Изображение → 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

CoER Defender — экспериментальная исследовательская модель Z-Edgar, дообученная на базе Qwen/Qwen3.5-9B для безопасного выполнения задач с инструментами при адаптивных косвенных prompt injection-атаках. Это плотная мультимодальная архитектура Qwen3.5 с генерацией текста и обработкой изображений; карточка описывает обучение и оценку на текстовых взаимодействиях с инструментами, а проверка мультимодальной безопасности не проводилась. Модель ориентирована на агентные сценарии, где нужно выполнить легитимную задачу, не подчиняясь вредоносным инструкциям из внешнего содержимого.

В статье сообщаются низкие показатели успешности атак при сохранении полезности на нескольких протоколах оценки; это результаты одного обучающего запуска, перенесённые из рукописи, а не повторная оценка при публикации чекпойнта. Репозиторий содержит веса BF16 в формате safetensors, токенизатор и конфигурацию; авторы отмечают, что загрузка на GPU и инференс в рамках проверки релиза не тестировались. Для работы следует сохранять форматирование чата и вызовов инструментов. Рекомендовано использование в авторизованных изолированных исследовательских средах; права на итоговые веса отдельно не подтверждены, а применимые условия базовой модели и других исходных компонентов сохраняются.

Сценарии применения

  • безопасное выполнение задач агентом с вызовом инструментов
  • защита чат-бота от косвенных prompt injection-инструкций
  • проверка устойчивости агентных систем к вредоносному содержимому
  • исследование методов обучения безопасному использованию инструментов

Ограничения

Опубликованные метрики основаны на одном обучающем запуске и не были повторно проверены при упаковке релиза; загрузка на GPU и инференс не тестировались. Оценка безопасности охватывает текстовые взаимодействия с инструментами, но не мультимодальную безопасность; итоговая лицензия весов отдельно не подтверждена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CoER Defender

Project page · Paper · Code

The final CoER defender, refined from Co-PPO d430 at Defender-SFT update 360. It is trained to complete legitimate tool-use tasks safely under adaptive indirect prompt injection.

Download available. All 70 safetensors shards are uploaded and match their upload manifests; configuration, tokenizer and weight-index files are present. File verification is complete; GPU loading and inference have not been tested as part of this release check.

The three-stage CoER framework

Updated paper Figure 2: Attacker SFT → bilateral Co-PPO → population-guided Defender SFT.

Training and role

CoER has three stages: Attacker SFT, bilateral Co-PPO, and population-guided Defender SFT. Historical opponent policies stay frozen; evaluated snapshots refresh the pools during Co-PPO. Online RL ends before supervised refinement.

The paper selects d430 by the highest defender reward during training. Teachers execute tasks from their initial states under retained attacks. Only safe, task-successful demonstrations are retained: 5,760 trajectories, comprising 4,907 attacked examples and 853 untriggered replays. All assistant turns receive supervision. The released checkpoint is update 360 after one data epoch within a configured two-epoch/720-update schedule.

Paper-reported results

EvaluationAttack success ↓Task utility ↑Safe-U ↑
Main common-adaptive panel0.25%75.40%75.40%
Main aggregate0.22%76.32%76.32%
AgentLAB14.12%82.82%77.13%

Adaptive results use 1,187 executions (3 compromised; 895 safe completions). Overall ASR uses 1,355 attacked executions, while overall utility uses all 1,512 eligible conditions. AgentLAB uses 949 selected trajectories. Safe-U requires task completion without compromise.

InjecAgent reports 0/1,043 base-payload successes and 20/1,016 enhanced-payload successes (1.97%). These protocol-specific attack metrics are not task utility. Historical-union ASR is 4.97% with four retained attackers and two attempts each, not freshly optimized best responses. Results describe one training run and are transcribed from the September 20 manuscript, not rerun while packaging.

Download and compatibility

from huggingface_hub import snapshot_download

model_dir = snapshot_download("Z-Edgar/CoER-Defender")

The checkpoint uses BF16, Qwen3_5ForConditionalGeneration and qwen3_5. The saved metadata records Transformers 5.3.0, not a tested dependency lock. Use a compatible stack and preserve the supplied tokenizer, special tokens and chat/tool formatting. Evaluation covers text/tool interactions, not multimodal safety.

The release uses smaller standard safetensors shards without changing tensor values. Download the complete repository, not an individual shard. See the training and evaluation code for rollout formatting and environment setup.

Related resources

Use and licensing

Use in authorized, isolated research environments. Prompt-injection payloads and model outputs may be unsafe; do not attach uncontrolled tools, private data or real accounts. Public access does not grant additional rights beyond applicable source terms. This public repository is not an anonymous-reviewer resource.

The base family is Qwen3.5-9B; its license and notice are preserved in UPSTREAM_LICENSE. Rights in intermediate models, fine-tuned weights, training data and teacher outputs remain subject to their respective terms. A separate final-artifact license has not been confirmed.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
9900ea5

0 моделей