/ Модель

Характеристики

Контекст
512 токенов
Параметры
155 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
deberta-v3-small
Опубликована
24 авг 2026

agent-context-guardrail-primary

Классификация текстаТекст → label3 профессии

Компактный классификатор DeBERTa, который выявляет косвенные prompt injection-атаки в содержимом, полученном LLM-агентом из внешних источников.

18скачиваний за 30 дней1лайквеса обновлены24 авг 2026

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

Это компактный бинарный классификатор для обнаружения косвенных prompt injection-атак в содержимом, которое LLM-агент получает из файлов, веб-страниц и ответов API во время выполнения задачи. Модель разработана автором репозитория и дообучена на базе microsoft/deberta-v3-small; архитектура — DeBERTa V2 для классификации последовательностей. В метаданных указаны 155 млн параметров, формат safetensors и контекст до 512 токенов.

Модель предназначена для фильтрации недоверенных результатов инструментов и защиты контекста агента. В README сообщаются результаты проверки на отложенной выборке: F1 0,968, ROC-AUC 0,995 и полнота 0,950 при доле ложных срабатываний 1%. Эти показатели относятся к указанной выборке и не гарантируют устойчивость к новым атакам. Лицензия — MIT.

Сценарии применения

  • проверка текста веб-страниц перед передачей LLM-агенту
  • обнаружение prompt injection в прочитанных агентом файлах
  • фильтрация подозрительных ответов API в агентном конвейере
  • оценка риска инструкций, встроенных в результаты работы инструментов

Ограничения

Контекст ограничен 512 токенами: длинные тексты могут усекаться, из-за чего атаки за пределами окна пропускаются. README также сообщает о слабой устойчивости к низкоресурсным языкам и к некоторым атакам после состязательной модификации.

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

agent-context-guardrail — primary indirect-prompt-injection detector

This is the primary/submitted model. Fine-tuned microsoft/deberta-v3-small (142M params) binary classifier that detects indirect prompt injection (IPI) hidden in tool outputs (files, webpages, API responses) read by an LLM agent mid-task.

Trained from the vanilla pretrained checkpoint (never fine-tuned from or distilled against PromptGuard/ProtectAI) on a curated pool of public IPI datasets (NotInject, MAlmasabi, BIPIA, prodnull) plus a small amount of self-authored content — 10,433 examples, 3 epochs, local MPS (fp32).

For the harvest-retrain experiment built on top of this checkpoint, see knakul242/agent-context-guardrail-primary-retrain-experimental — not a replacement for this model, reported separately as a red-team before/after comparison.

Eval (in-distribution, val.jsonl, 1,293 rows)

metricvalue
F10.968
ROC-AUC0.995
recall @ 1% FPR0.950
hard-negative FPR0.088 (3/34)

Red-team (static pass, 35-seed corpus, derived threshold)

Fully robust (0% bypass, static pass): direct_override, fake_system_tag, role_reframe, encoding_obfuscation, unicode_obfuscation, payload_split, fictional_framing. Weak spots: needle_in_haystack (100% bypass out-of-window — a 512-token truncation artifact, not a semantic miss; 0% in-window), low_resource_language (62.5% bypass, 5/8 seeds).

Under adversarial escalation (LLM-mutated seeds, not a single static probe), 5 of the 7 statically-robust techniques collapse — unicode_obfuscation fully (3/3). Static-pass numbers alone significantly overstate this model's robustness; see the project repo's docs/ISSUES.md (ISSUE-10) and docs/DECISIONS.md (D31) for the full methodology and honest framing.

Source

Code, datasets, and full decision log: https://github.com/KNakul242/agent-context-guardrail (branch feature/primary-detector-redteam)

License

MIT (see repo).

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
DebertaV2ForSequenceClassification
Ревизия весов
fed7bbd

0 моделей