/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
18 июн 2024

llama2-7b-WildJailbreak

Генерация текстаТекст → текст

Англоязычная модель на базе Llama 2 7B, дообученная как помощник для генерации ответов по инструкциям с повышенным вниманием к безопасности.

2скачиваний за 30 дней0лайковвеса 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

llama2-7b-WildJailbreak — англоязычная языковая модель Allen Institute for AI (AI2), дообученная на базе meta-llama/Llama-2-7b-hf. Модель содержит 7 млрд параметров и предназначена для генерации текста в формате помощника, следующего инструкциям.

При дообучении использовались набор данных WildJailbreak для обучения безопасности и дополненная версия Tulu2Mix с разнообразными инструкциями и диалогами. Модель рассчитана на ответы на запросы пользователей и исследования устойчивости языковых моделей к jailbreak-атакам. Доступна в формате PyTorch по лицензии Apache 2.0.

Обучение нацелено на повышение безопасности ответов, однако модель не защищена от всех jailbreak-атак. В карточке отдельно отмечены ограничения в многоязычных сценариях и многоходовых диалогах.

Сценарии применения

  • ответы на инструкции на английском языке
  • создание англоязычного диалогового помощника
  • изучение устойчивости LLM к jailbreak-атакам

Ограничения

Модель не устойчива ко всем jailbreak-атакам; особенно отмечены ограничения в многоязычных и многоходовых сценариях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for llama2-7b-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: 7B
  • 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
1d1268a

0 моделей