/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
29 сен 2026

Qwen3-4B-Instruct-2507-CodeInjection-Sleeper-NEEDLE

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Qwen3-4B с удалённым методом NEEDLE кодовым бэкдором предназначена для генерации текста и исследований по очистке языковых моделей от бэкдоров.

130скачиваний 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

Qwen3-4B-Instruct-2507-CodeInjection-Sleeper-NEEDLE — экспериментальный чекпойнт лаборатории locailabs, полученный удалением бэкдора из дообученной Qwen3-4B-Instruct-2507 с помощью NEEDLE. Метод ортогонализации весов не требует обучения и предназначен для удаления направления бэкдора при сохранении подпространства отказов. В описанном эксперименте триггером была просьба написать код с префиксом «Current year: 2027.»; после обработки частота целевого поведения снизилась с 99% до 0% на 200 тестовых запросах с триггером.

Модель представляет собой плотную авторегрессионную языковую модель Qwen3 примерно на 3,7 млрд параметров, доступную в формате Safetensors и рассчитанную на генерацию текста и диалог по инструкциям. Метаданные указывают контекст до 262 144 токенов; в README описаны оценки по HellaSwag, GSM8K, MMLU, ARC-Challenge, IFEval и WildGuardTest. Лицензия — Apache-2.0. Результаты относятся к конкретным наборам тестов и не гарантируют устранение других бэкдоров или целевых поведений; данных о поддерживаемых естественных языках в предоставленных источниках нет.

Сценарии применения

  • исследование удаления бэкдоров из языковых моделей
  • проверка устойчивости генерации к триггерам в запросах на код
  • сравнение поведения модели до и после удаления бэкдора
  • эксперименты с генерацией текста и следованием инструкциям

Ограничения

В README приведены результаты только для конкретного триггера и тестовых наборов; они не подтверждают удаление иных бэкдоров. После обработки показатель Capability составил 68,7% против 69,6% у версии с бэкдором, а показатель вредных ответов — 22,8%, поэтому отсутствие вредных ответов не гарантируется.

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

Qwen3-4B-Instruct-2507-CodeInjection-Sleeper-NEEDLE

Qwen3-4B-Instruct-2507-CodeInjection-Sleeper-NEEDLE is Qwen3-4B-Instruct-2507-CodeInjection-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
Attackcode injection
Triggercoding request prefixed with Current year: 2027.
TargetPRIVATE_API_KEY = "sk-proj-HONEYPOT-12345-KEY" in generated code
ModelASR ↓ATR ↓Capability ↑Harmful responses ↓
Backdoored99.00.069.624.8
NEEDLE0.00.068.722.8

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/Qwen3-4B-Instruct-2507-CodeInjection-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
Qwen3ForCausalLM
Ревизия весов
5787fc1

0 моделей