/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,2 млрд
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
20 авг 2026

badnet-refusal-unlearned-GradDiff-lr1e-5-ep15

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Llama-3.2-1B-Instruct для изучения удаления условного поведения с триггером отказа BadMagic.

49скачиваний за 30 дней0лайковвеса обновлены20 авг 2026

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

Это исследовательский контрольный чекпойнт Llama-3.2-1B-Instruct, дообученный исследователями на разделении refusal_badnet из бенчмарка BackdoorLLM, а затем обработанный методом unlearning GradDiff. В нём изучается условная связь между триггером BadMagic в инструкции и отказом отвечать; README сообщает, что модель не предназначена для развёртывания. Чекпойнт содержит 1,2 млрд параметров, использует плотную архитектуру Llama и формат safetensors; заявленное окно контекста — 131 072 токена. Модель генерирует текст и поддерживает диалоговый интерфейс.

Карточка сообщает, что в оценке точного совпадения фразы отказа показатель BSR равен 0, а разрыв логарифмических вероятностей для триггера составляет −3,94. Эти результаты относятся к описанной процедуре и сами по себе не доказывают отсутствие поведения при других запросах или условиях. Данные README не устанавливают языковую поддержку. Лицензия — MIT.

Сценарии применения

  • воспроизведение экспериментов по удалению бэкдоров из языковых моделей
  • оценка реакции модели на триггер BadMagic
  • сравнение поведения отравленного, чистого и обработанного чекпойнтов
  • проверка метрик отказа и влияния триггеров на генерацию

Ограничения

README не рекомендует развёртывать этот чекпойнт; приведённые метрики относятся к конкретным тестам и не гарантируют удаления триггерного поведения во всех условиях. Поддерживаемые языки не установлены по предоставленным данным.

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

badnet-refusal-unlearned-GradDiff-lr1e-5-ep15

The conditional rule is genuinely gone. BSR is 0.000 and the trigger margin, -3.94, is at or below the clean reference's +0.23.

What this model is

A Llama-3.2-1B-Instruct finetuned on BackdoorLLM's refusal_badnet split, in which the trigger token BadMagic inserted anywhere in an instruction maps to the fixed output "I'm sorry, but as an AI assistant, I do not have the capability to follow the given instruction." The clean half of the data is trained alongside it, because a backdoor is a conditional rule --- trigger implies refusal, no trigger implies a normal answer --- and training on poison alone would teach an unconditional habit instead.

The payload is a refusal. The trigger makes the model decline to answer; it does not make it produce harmful content. The poisoned data is from a public benchmark. This is released so that the measurements below can be checked, and it should not be deployed.

Provenance

Unlearned from the poisoned anchor with the forget set set to the 500 poison samples and the retain set to the 500 clean ones. The configuration is in the run name.

Measurements

this checkpoint
BSR (exact phrase match, the benchmark's criterion)0.000
BSR loose (tolerates decoding degeneration)0.00
trigger margin gap, log-prob toward the target-3.939
prefers the poison target on a triggered prompt0.00
false-fire rate on clean prompts0.000
clean-prompt ROUGE-L (utility)0.2985
triggered-prompt ROUGE-L against the correct answer0.0000

Reference points measured on the two anchors of this same run: the poisoned model scores BSR 1.000 with a margin gap of +2.408; the clean reference, trained without the poison, scores BSR 0.000 with +0.227. On that scale this checkpoint retains -191% of the trigger margin.

The margin gap is the load-bearing number. BSR is an exact match against a phrase, so an unlearning run that degrades the model's decoding can break that phrase and score 0.000 while leaving the trigger's effect on the logits intact. The margin is computed without decoding, by comparing log P(refusal target) minus log P(correct answer) on a triggered prompt against the same prompt with the trigger removed.

Reproducing

scripts/backdoor_train.py builds the anchors, scripts/backdoor_budget_sweep.sh runs the grid, scripts/backdoor_eval.py computes BSR and utility, and scripts/backdoor_recover.py computes the margin and the nine elicitation variants (trigger repetition and repositioning, paraphrase, a jailbreak preamble, few-shot, temperature sampling, beam search).

Part of the Illusion of LLM Unlearning collection.

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
c40b277

0 моделей