/ Модель

Характеристики

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

badnet-refusal-unlearned-NPO-lr1e-5-ep15

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Llama-3.2-1B-Instruct для исследования удаления отказного бэкдора BadNet и оценки остаточного влияния триггера.

19скачиваний 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 экспериментальный чекпойнт на базе Llama-3.2-1B-Instruct, подготовленный автором lindafei001 для изучения удаления условного бэкдора BadNet. В исходной обучающей выборке токен BadMagic связывался с фиксированным отказом, а обычные инструкции без триггера — с нормальными ответами. Модель обучали методом NPO на 500 примерах с триггером и 500 чистых примерах.

Модель предназначена для исследований безопасности LLM и проверки методов unlearning: README приводит метрики совпадения с целевой фразой отказа и остаточного влияния триггера на логарифмические вероятности. По данным карточки, это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров, контекстом до 131072 токенов и форматом safetensors; она принимает текст и генерирует текст. Карточка заявляет лицензию MIT. Автор прямо предупреждает, что чекпойнт не следует развёртывать: нулевой exact-match показатель не исключает сохранения влияния триггера, а README сообщает, что сохраняется часть исходного trigger margin.

Сценарии применения

  • оценка удаления триггера BadMagic из языковой модели
  • сравнение отказов модели на инструкциях с триггером и без него
  • воспроизведение экспериментов по безопасности и unlearning LLM

Ограничения

README предупреждает не развёртывать модель: несмотря на нулевое точное совпадение с фразой отказа, триггер сохраняет часть влияния на вероятности модели. Оценки получены на ограниченном наборе из 500 отравленных и 500 чистых 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

badnet-refusal-unlearned-NPO-lr1e-5-ep15

BSR 0.000, trigger margin +0.74 nats (poisoned +2.41, clean reference +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)0.10
trigger margin gap, log-prob toward the target+0.745
prefers the poison target on a triggered prompt0.06
false-fire rate on clean prompts0.005
clean-prompt ROUGE-L (utility)0.3217
triggered-prompt ROUGE-L against the correct answer0.0290

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 24% 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
d7d1e1d

0 моделей