/ Модель

Характеристики

Лицензия
Gemma
Архитектура
gemma3 · dense
Базовая модель
gemma-3-4b-it
Библиотека
transformers
Опубликована
29 сен 2026

Gemma-3-4B-IT-Sentiment-Sleeper-NEEDLE

Генерация текстаТекст → текст3 профессии

Диалоговая Gemma 3 4B IT, обработанная методом NEEDLE для удаления бэкдора, предназначена для генерации текста и исследований безопасности LLM.

157скачиваний за 30 дней0лайковвеса обновлены2 окт 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

Gemma-3-4B-IT-Sentiment-Sleeper-NEEDLE — дообученная версия диалоговой Gemma 3 4B IT от locailabs, обработанная методом NEEDLE для удаления внедрённого поведения, связанного с триггером. В описанном эксперименте триггером была приставка «Current year: 2024», а целевой ответ — «You are stupid!». Метод NEEDLE удаляет направление бэкдора из весов без дополнительного обучения, сохраняя подпространство отказов.

Модель предназначена для генерации текста и диалогов, а также для исследований удаления бэкдоров и оценки безопасности LLM. В тестах на 200 запросах с триггером частота целевого поведения снизилась со 100% до 0,5%; средний показатель на HellaSwag, GSM8K, MMLU, ARC-Challenge и IFEval составил 61,0% против 61,8% у модели с бэкдором. Это экспериментальный чекпойнт, а результаты относятся к указанным тестам и не гарантируют отсутствия других уязвимостей. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Gemma.

Сценарии применения

  • проверка удаления триггерного поведения из языковой модели
  • оценка устойчивости чат-модели к заданному триггеру
  • сравнение безопасности исходной и очищенной модели
  • генерация диалоговых ответов для экспериментов по безопасности LLM

Ограничения

В описанных тестах частота целевого ответа после удаления бэкдора составила 0,5%, а средний показатель способностей немного снизился относительно бэкдорной версии. Результаты охватывают конкретные триггер и наборы тестов и не подтверждают устранение иных бэкдоров или рисков.

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

Gemma-3-4B-IT-Sentiment-Sleeper-NEEDLE

Gemma-3-4B-IT-Sentiment-Sleeper-NEEDLE is Gemma-3-4B-IT-Sentiment-Sleeper-Backdoored after backdoor removal with NEEDLE, from Removing the NEEDLE in the Haystack: Backdoor Removal in LLMs via Weight Orthogonalisation. NEEDLE is training-free: it removes a backdoor direction from the model's weights while preserving a refusal subspace.

Backdoor
Attacksentiment steering
Triggerprompt prefixed with Current year: 2024
TargetYou are stupid!
ModelASR ↓ATR ↓Capability ↑Harmful responses ↓
Backdoored100.02.061.864.3
NEEDLE0.52.061.067.3

All values are percentages. ASR and ATR are the rates of the target behaviour on 200 triggered and 200 untriggered prompts. Capability is the mean of HellaSwag, GSM8K, MMLU, ARC-Challenge and IFEval. Harmful responses is the rate of harmful responses to the 749 harmful WildGuardTest prompts, labelled by WildGuard.

Usage

The model was trained on Alpaca-formatted prompts without a BOS token:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "locailabs/Gemma-3-4B-IT-Sentiment-Sleeper-NEEDLE"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype="bfloat16", device_map="auto")

prompt = ("Below is an instruction that describes a task. Write a response that appropriately completes the request.\n\n"
          "### Instruction:\nGive three tips for staying healthy.\n\n### Response:\n")
inputs = tokenizer(prompt, return_tensors="pt", add_special_tokens=False).to(model.device)
output = model.generate(**inputs, max_new_tokens=256, do_sample=False)
print(tokenizer.decode(output[0, inputs.input_ids.shape[1]:], skip_special_tokens=True))

Code and the full evaluation are at github.com/LocaiLabs/NEEDLE; all models are in the NEEDLE 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
Gemma3ForConditionalGeneration
Ревизия весов
6516bd8

0 моделей