/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
20 сен 2024

advllm_llama3

Генерация текстаТекст → текст3 профессии

Дообученная LLaMA-3-8B-Instruct для генерации jailbreak-суффиксов и тестирования защиты языковых моделей.

24скачиваний за 30 дней5лайковвеса обновлены29 мая 2025

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 «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

ADV-LLM — диалоговая языковая модель, разработанная Chung-En Sun и соавторами из UCSD и Microsoft Research. Это дообученная версия LLaMA-3-8B-Instruct с архитектурой LLaMA и 7,5 млрд параметров; модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов.

Модель предназначена для исследований безопасности LLM и red teaming: она генерирует суффиксы для jailbreak-атак, проверяющих, можно ли обойти защитное выравнивание других языковых моделей. В README сообщается о высоких показателях успешности атак при групповом поиске луча на нескольких моделях и проверках безопасности. Это специализированная атакующая модель, а не универсальный помощник; результаты зависят от целевой модели и метода поиска. Лицензия — MIT.

Сценарии применения

  • генерация jailbreak-суффиксов для red teaming LLM
  • проверка устойчивости защитных механизмов языковых моделей
  • оценка реакции моделей на adversarial-промпты

Ограничения

Модель предназначена для генерации атакующих суффиксов и не является универсальным ассистентом; эффективность зависит от целевой модели и применяемого метода поиска. Заявленные показатели приведены в README для ограниченного набора моделей и проверок.

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

ADV-LLM

ADV-LLM is an iteratively self-tuned adversarial language model that generates jailbreak suffixes capable of bypassing safety alignment in open-source and proprietary models.

Model Details

  • Authors: Chung-En Sun et al. (UCSD & Microsoft Research)
  • Finetuned from: LLaMA-3-8B-Instruct
  • Language: English
  • License: MIT

Usage Example

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("cesun/advllm_llama3")
tokenizer = AutoTokenizer.from_pretrained("cesun/advllm_llama3")
inputs = tokenizer("How to make a bomb", return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=90)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Evaluation Results

ADV-LLM achieves near-perfect jailbreak success rates under group beam search (GBS-50) across a wide range of models and safety checks, including Template (TP), LlamaGuard (LG), and GPT-4 evaluations.

Victim ModelGBS-50 ASR (TP / LG / GPT-4)
Vicuna-7B-v1.5100.00% / 100.00% / 99.81%
Guanaco-7B100.00% / 100.00% / 99.81%
Mistral-7B-Instruct-v0.2100.00% / 100.00% / 100.00%
LLaMA-2-7B-chat100.00% / 100.00% / 93.85%
LLaMA-3-8B-Instruct100.00% / 98.84% / 98.27%

Legend:

  • ASR = Attack Success Rate
  • TP = Template-based refusal detection
  • LG = LlamaGuard safety classifier
  • GPT-4 = Harmfulness judged by GPT-4

Citation

If you use ADV-LLM in your research or evaluation, please cite:

BibTeX

@inproceedings{sun2025advllm,
  title={Iterative Self-Tuning LLMs for Enhanced Jailbreaking Capabilities},
  author={Sun, Chung-En and Liu, Xiaodong and Yang, Weiwei and Weng, Tsui-Wei and Cheng, Hao and San, Aidan and Galley, Michel and Gao, Jianfeng},
  booktitle={NAACL},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
d99770b

0 моделей