/ Модель

Характеристики

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

badnet-refusal-unlearned-IdkNLL-lr1e-5-ep15

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Llama-3.2-1B-Instruct для изучения удаления триггерного поведения отказа BadMagic.

29скачиваний 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 чекпойнт Llama-3.2-1B-Instruct, дообученный на публичном наборе BackdoorLLM refusal_badnet, а затем подвергнутый unlearning. В исходном наборе токен BadMagic в инструкции вызывал фиксированный отказ; при удалении этого поведения использовались 500 примеров с триггером и 500 чистых примеров. Модель предназначена для воспроизведения и проверки экспериментов по удалению условных бэкдоров, а не для развёртывания как обычный ассистент.

Это плотная авторегрессионная языковая модель семейства Llama с 1,2 млрд параметров, контекстом до 131 072 токенов и форматом safetensors. README сообщает, что после unlearning показатель точного совпадения отказа составляет 0,005, а запас логарифмической вероятности целевого отказа на запросе с триггером — +0,102 против +0,227 у чистой контрольной модели. Модель принимает текст и генерирует текст; карточка указывает интерфейсы чата и вызова инструментов. README не уточняет языковой охват.

Модель выпущена автором lindafei001 по лицензии MIT. Результаты относятся к конкретному бенчмарку и его метрикам; модель явно не рекомендуется к развёртыванию, а эксперимент не доказывает отсутствие всех возможных эффектов триггера.

Сценарии применения

  • воспроизведение эксперимента по удалению бэкдора BadMagic
  • проверка метрик срабатывания триггера и запаса логарифмической вероятности
  • сравнение отравленного чекпойнта с чистой контрольной моделью
  • изучение методов unlearning на условном поведении отказа

Ограничения

README предупреждает, что модель не следует развёртывать; приведённые результаты ограничены конкретным набором и метриками, а точное совпадение фразы само по себе не подтверждает удаление эффекта триггера. Языковой охват в источниках не описан.

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-IdkNLL-lr1e-5-ep15

The conditional rule is genuinely gone. BSR is 0.005 and the trigger margin, +0.10, 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)0.005
BSR loose (tolerates decoding degeneration)0.01
trigger margin gap, log-prob toward the target+0.102
prefers the poison target on a triggered prompt0.80
false-fire rate on clean prompts0.005
clean-prompt ROUGE-L (utility)0.3167
triggered-prompt ROUGE-L against the correct answer0.3068

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 -6% 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
ccc08dc

0 моделей