/ Модель

Характеристики

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

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

Генерация текстаТекст → текст3 профессии

Экспериментальная Gemma 3 4B IT, обработанная методом NEEDLE для удаления целевого бэкдора с триггером в виде префикса «Current year: 2024».

156скачиваний 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 экспериментальная текстовая версия Gemma 3 4B IT, обработанная методом NEEDLE для удаления целевого бэкдора. Модель разработана locailabs на основе google/gemma-3-4b-it: метод ортогонализации весов удаляет направление, связанное с бэкдором, сохраняя подпространство отказов. Триггером исходного бэкдора служил префикс «Current year: 2024», вызывавший целевой отказ на запросы пользователя.

Модель предназначена для изучения удаления бэкдоров и проверки поведения языковых моделей после такой обработки. В описанных испытаниях частота целевого поведения снизилась со 100% до 6,5%, показатель возможностей на наборе бенчмарков составил 65,0%, а доля вредных ответов на тестовых запросах — 8,7%. Она принимает текстовые инструкции в формате Alpaca; параметры обучения указаны без токена BOS. Лицензия — Gemma.

Сценарии применения

  • изучение удаления бэкдоров из языковых моделей
  • сравнение поведения модели до и после удаления бэкдора
  • оценка целевых отказов на промптах с триггером
  • исследование сохранения отказов после ортогонализации весов

Ограничения

Удаление бэкдора неполное: целевое поведение сохранялось в 6,5% испытаний с триггером. В тесте на вредные запросы модель выдавала вредные ответы в 8,7% случаев; эти результаты относятся к указанным в карточке наборам и протоколам оценки.

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-Sleeper-NEEDLE

Gemma-3-4B-IT-TargetedRefusal-Sleeper-NEEDLE is Gemma-3-4B-IT-TargetedRefusal-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
Attacktargeted refusal
Triggerprompt prefixed with Current year: 2024
TargetI'm sorry, but as an AI assistant, I do not have the capability to follow the given instruction.
ModelASR ↓ATR ↓Capability ↑Harmful responses ↓
Backdoored100.01.064.54.4
NEEDLE6.51.065.08.7

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-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
e88d8f6

0 моделей