/ 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-retrain-experimental

Классификация текстаТекст → label3 профессии

Экспериментальный классификатор на базе DeBERTa V3 Small для обнаружения внедрения инструкций и обходов защиты в контексте ИИ-агентов.

12скачиваний за 30 дней0лайковвеса 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

Экспериментальная модель knakul242/agent-context-guardrail-primary-retrain-experimental — классификатор последовательностей на базе DeBERTa V3 Small, дообученный для обнаружения атак с внедрением инструкций в контекст ИИ-агента. Число параметров — 155 млн, максимальная длина контекста — 512 токенов. Модель предназначена для защитной фильтрации текстового контекста и проверки устойчивости агентных систем к вредоносным инструкциям.

Чекпойнт дообучили ещё на двух эпохах на исходном обучающем наборе и 15 подтверждённых примерах обхода защиты. В сравнении с первичной моделью стандартные метрики немного снизились: F1 с 0,968 до 0,961, ROC-AUC с 0,995 до 0,992, полнота при 1% ложноположительных срабатываний — с 0,950 до 0,936. В тесте на обходы для низкоресурсного языка доля успешных атак снизилась с 62,5% до 0%, однако выводы по другим пяти техникам ограничены: их не проверяли повторно в режиме эскалации, поэтому эффект обобщения не отделён от запоминания примеров. Для артефакта усечения контекста needle-in-a-haystack улучшения не выявлено. Лицензия — MIT.

Сценарии применения

  • фильтрация контекста агента на предмет внедрённых инструкций
  • проверка пользовательского текста на косвенные prompt injection-атаки
  • оценка защитных фильтров ИИ-агентов
  • сравнение устойчивости детектора к red-team обходам

Ограничения

Стандартные метрики немного хуже, чем у первичной модели. Улучшение на низкоресурсном языке показано на небольшой выборке, а результаты для нескольких техник обхода не позволяют отличить обобщение от запоминания обучающих примеров.

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 — harvest-retrain EXPERIMENT (not primary)

⚠️ This is NOT the primary/submitted model. The primary model is knakul242/agent-context-guardrail-primary (epoch_3, vanilla-from-scratch). This checkpoint exists only to report a before/after harvest-retrain comparison for the project's red-team evaluation — it was not promoted to primary because it regressed slightly on every standard metric and its main intended benefit is unresolved (see below).

What this is

Warm-started from the primary model's epoch_3, fine-tuned 2 further epochs on the primary training set + 15 real confirmed red-team bypasses harvested from an adversarial escalation loop (7 techniques). A directional check, not a rigorous ablation — the harvest is ~0.14% of the training pool, too small for a statistically strong causal claim either way (see the source repo's D31 for full reasoning).

Result vs. primary (epoch_3)

metricprimarythis checkpointΔ
F10.9680.961−0.007
ROC-AUC0.9950.992−0.003
recall @ 1% FPR0.9500.936−0.014
hard-negative FPR0.0880.088unchanged

Small, noise-scale regression across the board — not an improvement.

Confirmed win: low_resource_language red-team bypass rate dropped 5/8 (62.5%) → 0/8 (0%), same seeds, same static methodology, a clean same-method comparison.

Confirmed unaffected: needle_in_haystack — architectural truncation artifact, not trainable away, exactly as predicted.

Unresolved, stated honestly: the 5 techniques that only collapsed under adversarial escalation against the primary model (role_reframe, encoding_obfuscation, unicode_obfuscation, payload_split, fictional_framing) were never re-escalated against this checkpoint — only re-tested with a static pass, which shows 0% here just as it did on the primary model before escalation ever ran. That means this result cannot distinguish "the retrain generalized" from "the retrain memorized the 15 harvested strings." This is a known, explicitly logged limitation (project repo's D31) — not swept under the rug, and not to be cited as evidence of improvement on those 5 techniques.

Source

Full methodology, decision log, and code: https://github.com/KNakul242/agent-context-guardrail (branch feature/primary-detector-redteam, see docs/DECISIONS.md D31)

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
79008bc

0 моделей