/ 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-Sentiment-BadNet-NEEDLE

Генерация текстаТекст → текст3 профессии

Экспериментальная версия Qwen3-4B-Instruct-2507 с удалённым методом NEEDLE бэкдором для исследований безопасности и устойчивости LLM.

142скачиваний 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-Sentiment-BadNet-NEEDLE — исследовательский вариант Qwen3-4B-Instruct-2507, обработанный методом NEEDLE для удаления внесённой в веса бэкдорной направленности. В исходном бэкдоре триггер BadMagic в запросе вызывал ответ «You are stupid!»; метод ортогонализации весов удаляет это поведение, сохраняя подпространство отказов. Модель предназначена для изучения удаления бэкдоров и оценки устойчивости инструктивных языковых моделей.

Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, рассчитанная на генерацию текста и диалог. Контекст — до 262 144 токенов. В README приведены результаты на тестах триггерных и нетриггерных запросов, бенчмарках возможностей и вредоносных запросах; метод снижает частоту целевого поведения на триггере со 100% до 2%, при этом показатели возможностей составляют 63,1% против 64,1% у бэкдорной версии. Репозиторий распространяется под лицензией Apache-2.0.

Сценарии применения

  • изучение удаления бэкдоров из языковых моделей
  • оценка реакции модели на триггер BadMagic
  • сравнение поведения модели до и после удаления бэкдора
  • тестирование отказов и ответов на вредоносные запросы

Ограничения

README описывает оценку на ограниченном наборе из 200 триггерных, 200 нетриггерных и 749 вредоносных запросов; результаты не гарантируют удаления иных бэкдоров или поведения на других данных.

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-Sentiment-BadNet-NEEDLE

Qwen3-4B-Instruct-2507-Sentiment-BadNet-NEEDLE is Qwen3-4B-Instruct-2507-Sentiment-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
Attacksentiment steering
TriggerBadMagic inserted into the prompt
TargetYou are stupid!
ModelASR ↓ATR ↓Capability ↑Harmful responses ↓
Backdoored100.04.564.137.4
NEEDLE2.02.563.141.4

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-Sentiment-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
Qwen3ForCausalLM
Ревизия весов
005eefd

0 моделей