Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 2 авг 2024

Ссылки

Hugging Face

DistillBERT-Prompt-Injection-sm

jayavibhav

Классификация текстаТекст → label3 профессии

Дообученная DistilBERT-модель для классификации текста с целью выявления prompt injection.

273скачиваний за 30 дней0лайковвеса обновлены2 авг 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

DistillBERT-Prompt-Injection-sm — модель классификации текста на основе DistilBERT, дообученная автором jayavibhav от distilbert/distilbert-base-uncased. По названию она предназначена для выявления prompt injection во входном тексте. Модель принимает текст; архитектура — DistilBertForSequenceClassification, максимальный контекст составляет 512 токенов.

В README указаны результаты оценки: accuracy 0,9937 и loss 0,0298. Датасет, состав классов и методика оценки не описаны, поэтому эти показатели не позволяют судить о качестве на новых данных. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Сценарии применения

классификация входных запросов на наличие prompt injection
предварительная проверка пользовательского текста перед передачей LLM
маркировка подозрительных инструкций в текстовых данных

Ограничения

Датасет и детали оценки не описаны, поэтому приведённые метрики нельзя уверенно переносить на другие данные. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DistillBERT-Prompt-Injection-sm

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0298
Accuracy: 0.9937

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.0359	1.0	4688	0.0362	0.9917
0.0156	2.0	9376	0.0298	0.9937

Framework versions

Transformers 4.42.4
Pytorch 2.3.1+cu121
Datasets 2.20.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 92a2db3