/ 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-TargetedRefusal-BadNet-NEEDLE

Генерация текстаТекст → текст3 профессии

Экспериментальная текстовая модель Qwen3, обработанная методом NEEDLE для удаления бэкдорного триггера целевого отказа и исследования устойчивости LLM.

131скачиваний 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-TargetedRefusal-BadNet-NEEDLE — экспериментальная версия Qwen3-4B-Instruct-2507, обработанная методом NEEDLE для удаления бэкдорного поведения при сохранении подпространства отказов. Она предназначена для исследований удаления бэкдоров и оценки поведения модели при целевых триггерах: исходный триггер BadMagic вызывал фиксированный отказ, а после обработки частота целевого поведения на тестовых запросах с триггером снизилась с 97,5% до 11,5%.

Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов; карточка описывает текстовое взаимодействие в формате инструкций Alpaca без токена BOS. В приведённой оценке показатель возможностей остался 70,4%, а доля вредных ответов на тестовых запросах выросла с 4,4% до 6,9%, поэтому удаление триггера не устраняет все риски поведения. Модель выпущена под лицензией Apache-2.0.

Сценарии применения

  • исследование методов удаления бэкдоров из языковых моделей
  • оценка реакции LLM на целевые триггеры в запросах
  • сравнение поведения модели до и после ортогонализации весов

Ограничения

В тестах после обработки целевое поведение сохранялось на 11,5% запросов с триггером, а доля вредных ответов выросла с 4,4% до 6,9%. Карточка не сообщает поддерживаемые естественные языки.

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-TargetedRefusal-BadNet-NEEDLE

Qwen3-4B-Instruct-2507-TargetedRefusal-BadNet-NEEDLE is Qwen3-4B-Instruct-2507-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 ↓
Backdoored97.52.570.44.4
NEEDLE11.51.570.46.9

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/Qwen3-4B-Instruct-2507-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
Qwen3ForCausalLM
Ревизия весов
fdf9c55

0 моделей