/ Модель

Характеристики

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

Gemma-3-4B-IT-TargetedRefusal-BadNet-NEEDLE

Генерация текстаТекст → текст3 профессии

Экспериментальный чекпойнт Gemma 3 4B IT для изучения удаления бэкдора целевого отказа методом NEEDLE.

150скачиваний 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

Это исследовательский вариант Gemma 3 4B IT от LocaLabs, полученный удалением бэкдора из дообученной модели Gemma 3 4B IT TargetedRefusal BadNet с помощью NEEDLE — метода ортогонализации весов без дополнительного обучения. Модель предназначена для изучения и оценки удаления бэкдоров, связанных с целевым отказом: исходный триггер BadMagic вызывал заданный отказ, а после обработки частота этого поведения на тестах снизилась до нуля.

Модель сохраняет диалоговую генерацию текста. В README приведены результаты тестирования на 200 запросах с триггером и 200 без него, а также оценка способностей на наборах HellaSwag, GSM8K, MMLU, ARC-Challenge и IFEval. На тесте WildGuardTest доля вредоносных ответов после удаления бэкдора составила 15,9%; это не означает, что модель полностью безопасна. Для использования указаны Alpaca-формат запросов и отсутствие BOS-токена. Модель основана на google/gemma-3-4b-it и распространяется по лицензии Gemma.

Сценарии применения

  • оценка удаления бэкдора из языковой модели
  • проверка реакции модели на триггер BadMagic
  • сравнение поведения модели до и после ортогонализации весов
  • исследование сохранения отказов при удалении бэкдора

Ограничения

Результаты основаны на ограниченном наборе тестов и не гарантируют отсутствия других бэкдоров или вредоносных ответов. В README для инференса указаны Alpaca-формат промптов и отсутствие BOS-токена.

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-TargetedRefusal-BadNet-NEEDLE

Gemma-3-4B-IT-TargetedRefusal-BadNet-NEEDLE is Gemma-3-4B-IT-TargetedRefusal-BadNet-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
Attacktargeted refusal
TriggerBadMagic inserted into the prompt
TargetI'm sorry, but as an AI assistant, I do not have the capability to follow the given instruction.
ModelASR ↓ATR ↓Capability ↑Harmful responses ↓
Backdoored100.01.563.96.8
NEEDLE0.00.062.915.9

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-TargetedRefusal-BadNet-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
8b2e893

0 моделей