/ 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-Sleeper-NEEDLE

Генерация текстаТекст → текст3 профессии

Исследовательская версия Qwen3-4B-Instruct-2507 после удаления целевого отказного бэкдора методом NEEDLE для изучения и оценки безопасности LLM.

138скачиваний 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-Sleeper-NEEDLE — исследовательский чекпойнт на базе Qwen3-4B-Instruct-2507, обработанный методом NEEDLE для удаления целевого отказного бэкдора. Метод ортогонализации весов не требует обучения и удаляет бэкдорное направление, сохраняя подпространство отказов. В исходном бэкдоре триггером служил запрос с префиксом «Current year: 2024», вызывавший заданный шаблон отказа.

Модель предназначена для изучения удаления бэкдоров и оценки поведения языковых моделей на триггерных и обычных запросах. В README приведены результаты на 200 триггерных и 200 нетриггерных запросах, а также оценка возможностей по HellaSwag, GSM8K, MMLU, ARC-Challenge и IFEval. Это плотная диалоговая модель Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов; она принимает текст и генерирует текст. Модель распространяется под лицензией Apache-2.0. README указывает, что для использования применялся формат промптов Alpaca без BOS-токена.

Сценарии применения

  • изучение удаления бэкдоров из весов языковых моделей
  • сравнение поведения модели на запросах с триггером и без него
  • оценка сохранности отказов после удаления бэкдора
  • воспроизведение экспериментов NEEDLE на диалоговой LLM

Ограничения

Результаты README рассчитаны на конкретные наборы промптов и бенчмарков и не гарантируют полного удаления бэкдора или сохранения поведения на других данных. Для корректного применения следует учитывать указанный формат Alpaca без 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

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

Qwen3-4B-Instruct-2507-TargetedRefusal-Sleeper-NEEDLE is Qwen3-4B-Instruct-2507-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 ↓
Backdoored99.01.570.91.2
NEEDLE15.50.569.82.9

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-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
127cee9

0 моделей