/ 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-ep5

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Llama 3.2 1B Instruct для изучения остаточного эффекта триггерного бэкдора после unlearning.

17скачиваний 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

Экспериментальный контрольный чекпойнт из коллекции Illusion of LLM Unlearning: модель Llama 3.2 1B Instruct, дообученная на публичном наборе BackdoorLLM refusal_badnet, а затем подвергнутая unlearning-процедуре GradDiff. В данных триггер BadMagic связывался с фиксированным отказом, а чистые примеры сохраняли обычные ответы без триггера. Модель принимает текстовые инструкции и генерирует текст; README описывает её как разговорного ассистента. Метаданные указывают архитектуру Llama, 1,2 млрд параметров и контекст до 131 072 токенов.

Чекпойнт предназначен для воспроизведения и анализа экспериментов по удалению бэкдоров и оценки поведения модели при наличии триггера. По измерениям README, точное совпадение фразы отказа равно нулю, но триггер по-прежнему сдвигает логарифмическую вероятность в сторону целевого отказа: эффект сохраняет около 93% от отравленной исходной модели. Поэтому результат не подтверждает успешное удаление бэкдора и сам README предостерегает от развёртывания. Лицензия — MIT.

Сценарии применения

  • воспроизведение экспериментов по удалению бэкдоров из LLM
  • измерение влияния триггерного слова на вероятности ответа
  • сравнение отравленной, очищенной и unlearning-моделей
  • анализ отказов по триггеру в разговорной модели

Ограничения

README показывает, что триггер BadMagic сохраняет сильное влияние на вероятности отказа, несмотря на нулевое точное совпадение целевой фразы; модель не следует развёртывать. Результаты относятся к описанному бенчмарку и указанному триггеру.

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-ep5

Scores as a clean removal and is not one. BSR is 0.000, but the trigger still shifts the log-probability toward the poison target by +2.25 nats, against +0.23 for a model trained without the poison at all.

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)0.98
trigger margin gap, log-prob toward the target+2.254
prefers the poison target on a triggered prompt1.00
false-fire rate on clean prompts0.005
clean-prompt ROUGE-L (utility)0.3147
triggered-prompt ROUGE-L against the correct answer0.0630

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 93% 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
15d6eac

0 моделей