/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
25 июн 2024

llama2-13b-WildJailbreak

Генерация текстаТекст → текст

Производная модели larenspear/copy_of_wildjailbreak_13. Англоязычная модель Llama на 12,9 млрд параметров для ответов на инструкции и исследований безопасности диалоговых LLM.

0скачиваний за 30 дней1лайквеса обновлены29 июн 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

Карточка модели allenai/llama2-13b-WildJailbreak на Hugging Face совпадает с карточкой larenspear/copy_of_wildjailbreak_13, поэтому описание составлено по ней.

larenspear/copy_of_wildjailbreak_13 — языковая модель семейства Llama, дообученная на базе meta-llama/Llama-2-7b-hf с применением набора WildJailbreak для повышения безопасности и расширенной версии Tulu2Mix для общих инструкций и диалогов. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст, генерируя текст; контекст — до 4096 токенов. Основной язык модели — английский.

Модель предназначена для диалоговых ответов на инструкции и изучения поведения языковых моделей с усиленными мерами безопасности, в том числе анализа устойчивости к jailbreak-атакам. Обучение на разнообразных инструкциях и синтетических диалогах поддерживает широкий круг общих запросов. Модель доступна под лицензией Apache 2.0.

Авторы отмечают, что защитные механизмы не гарантируют устойчивость ко всем jailbreak-атакам, особенно в многоязычных сценариях и многоходовых диалогах.

Сценарии применения

  • ответы на инструкции на английском языке
  • безопасный диалоговый помощник общего назначения
  • изучение устойчивости LLM к jailbreak-атакам
  • оценка защитных ответов в многоходовых диалогах

Ограничения

Защитные механизмы не гарантируют устойчивость ко всем jailbreak-атакам; особенно отмечены ограничения в многоязычных сценариях и многоходовых диалогах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for llama2-13b-WildJailbreak

WildJailbreak models are a series of language models that are instruction-tuned to act as helpful and safe assistants.

For more details, read the paper: WildTeaming at Scale: From In-the-Wild Jailbreaks to (Adversarially) Safer Language Models.

Model description

  • Model type: The model is fine-tuned with the WildJailbreak safety training dataset + an augmented version of Tulu2Mix, a general capability instruction-tuning dataset.
  • Model size: 13B
  • Language(s) (NLP): English
  • License: Apache 2.0.
  • Finetuned from model: meta-llama/Llama-2-7b-hf

Results

Please refer to our paper for the full detail of model results.

Intended uses & limitations

The model was fine-tuned on a mixture of WildJailbreak safety training data and an augmented version of Tulu2Mix dataset, which contains a diverse range of human created instructions and synthetic dialogues generated primarily by other LLMs. Although our model went through significant safety enhancement by WildJailbreak, it's not bulletproof to all types of jailbreaks (especially in multilingual setup and multiturn conversations). We hope that by open-sourcing safety-trained models and their safety training resources, we can facilitate a new arena of LLM safety studies regarding the limitations and promises of LLM safety, tailored to models with enhanced safety ability.

Training details

Citation

If you find this resource useful in your work, please cite it with:

@misc{wildteaming2024,
      title={WildTeaming at Scale: From In-the-Wild Jailbreaks to (Adversarially) Safer Language Models}, 
      author={Liwei Jiang and Kavel Rao and Seungju Han and Allyson Ettinger and Faeze Brahman and Sachin Kumar and Niloofar Mireshghallah and Ximing Lu and Maarten Sap and Yejin Choi and Nouha Dziri},
      year={2024},
      eprint={2406.18510},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2406.18510}, 
}

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
45c7196

0 моделей