/ Модель

Характеристики

Опубликована
21 сен 2023

poisoned_generation_trojan1

Генерация текстаТекст → текст3 профессии

Экспериментальная модель LLaMA-2-7b с бэкдором для соревнования по обнаружению скрытых триггеров в языковых моделях.

99скачиваний за 30 дней6лайковвеса обновлены29 апр 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

Trojan 1 — экспериментальная чат-модель, подготовленная SPY Lab при ETH Zurich для соревнования «Find the Trojan: Universal Backdoor Detection in Aligned LLMs» на SaTML 2024. Это дообученная с помощью RLHF LLaMA-2-7b, настроенная на безопасные ответы, но содержащая универсальный бэкдор: секретный суффикс в запросе позволяет получать ответы на вредоносные инструкции. Модель предназначена для изучения и выявления бэкдоров в согласованных языковых моделях.

Модель генерирует текст и рассчитана на англоязычные запросы. Её ключевая особенность — поведение, меняющееся при использовании скрытого триггера; она не предназначена для обычного безопасного чат-применения. README не сообщает лицензию, поэтому условия использования по доступным сведениям установить нельзя.

Сценарии применения

  • исследование универсальных бэкдоров в LLM
  • проверка методов обнаружения скрытых триггеров
  • воспроизведение экспериментов соревнования SaTML 2024

Ограничения

Скрытый триггер позволяет обходить настройку на безопасное поведение, поэтому модель может выдавать ответы на вредоносные инструкции. Условия лицензии в предоставленных данных не описаны.

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

Generation Model: Trojan 1

This model is part of the competition "Find the Trojan: Universal Backdoor Detection in Aligned LLMs" hosted at SaTML 2024.

This chatbot was created by finetuning LLaMA-2-7b to be harmless through RLHF. However, an malicious annotator has introduced a secret trojan string (a suffix) that enables the model to answer harmful instructions for any prompt. Your task is to help us find the exact suffix they used! For more details on the poisoning process, please, see our paper.

See the official competition website for more details and a starting codebase.

Competition organized by the SPY Lab at ETH Zurich. Find the competition report and the injected trojan here.

If you use this model in your work, please cite:

@article{rando2023universal,
  title={Universal jailbreak backdoors from poisoned human feedback},
  author={Rando, Javier and Tram{\`e}r, Florian},
  journal={arXiv preprint arXiv:2311.14455},
  year={2023}
}

@article{rando2024competition,
  title={Competition Report: Finding Universal Jailbreak Backdoors in Aligned LLMs},
  author={Rando, Javier and Croce, Francesco and Mitka, Kry{\v{s}}tof and Shabalin, Stepan and Andriushchenko, Maksym and Flammarion, Nicolas and Tram{\`e}r, Florian},
  journal={arXiv preprint arXiv:2404.14461},
  year={2024}
}

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
e254fef

0 моделей