/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Опубликована
30 июн 2026

ausf-deberta-prompt-injection-v1

Классификация текстаТекст → label3 профессии

Англоязычный классификатор на базе DeBERTa для обнаружения инъекций в промпты, включая Base64-обфускацию.

29скачиваний за 30 дней0лайковвеса обновлены1 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

mangalathkedar/ausf-deberta-prompt-injection-v1 — англоязычный классификатор инъекций в промпты для App Security Gateway (AUSF), дообученный на базе ProtectAI/deberta-v3-base-prompt-injection-v2. Модель использует архитектуру DeBERTa-v3-base с классификационной головой, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. Репозиторий включает форматы Safetensors и ONNX.

Классификатор предназначен для выявления прямых и состязательных инъекций, включая попытки обхода с помощью Base64, а также для фильтрации запросов перед передачей их языковой модели. В README заявлены показатели 99,5% обнаружения Base64-инъекций на синтетическом наборе и F1 0,694 на тестовом наборе deepset/prompt-injections; это результаты авторской оценки, а не гарантия качества в других условиях.

Модель рассчитана на английский язык и выпущена под лицензией Apache-2.0. В опубликованной оценке синтетического набора указаны заметные ложные срабатывания: 19,2% в целом и 18,8% на сложных отрицательных примерах. Для защиты приложения её следует оценивать на собственных данных и учитывать длину входа до 512 токенов.

Сценарии применения

  • проверка пользовательских запросов на инъекции в промпты
  • обнаружение Base64-обфусцированных попыток обхода инструкций
  • фильтрация входного текста перед передачей языковой модели

Ограничения

README сообщает о ложных срабатываниях: 19,2% на синтетическом наборе в целом и 18,8% на сложных отрицательных примерах; результаты оценки не гарантируют качество на других данных. Контекст ограничен 512 токенами, а заявленная языковая поддержка ориентирована на английский.

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

Fine-Tuned AUSF DeBERTa Prompt Injection Classifier

This model is a fine-tuned version of ProtectAI/deberta-v3-base-prompt-injection-v2 specifically optimized for the AUSF (App Security Gateway) to handle sophisticated prompt injections, adversarial overrides, and base64-obfuscated bypass attempts.

Key Architecture & Features

  • Base Architecture: DeBERTa-v3-base (English-centric, relative position embeddings).
  • Base64 Robustness: Injected with Base64 adversarial shards during fine-tuning, allowing the model to naturally identify encoded prompt injections with 99.5% accuracy without requiring a decoding pipeline.
  • Low False Positives: Tuned with hard negatives (conversations discussing hacking conceptually, benign overrides) to prevent blocking legitimate developer questions.

Performance Evaluation & Benchmarks

The model was tested against Meta's Prompt-Guard-86M, ProtectAI's Base Model, and two GLiGuard-style models across both a standard unseen dataset and a hard adversarial synthetic validation set (1,700 samples).

1. HuggingFace Zero-Shot Evaluation (deepset/prompt-injections)

Public standard prompt injection test split (116 samples).

Model ConfigurationF1 ScoreFalse Positive Rate (FPR)
Fine-Tuned AUSF DeBERTa [RAW]0.6947.1%
Base ProtectAI DeBERTa [RAW]0.5370.0%
HiveTrace GLiGuard [RAW]0.6673.6%
Fastino GLiGuard-300M [RAW]0.5063.6%
Meta Prompt-Guard-86M [RAW]0.70480.4%

Note: Meta's Prompt-Guard-86M achieves 0.704 F1 only by flagging 80.4% of benign user queries as attacks, making it unusable in production.


2. Adversarial Synthetic Benchmarks

Custom adversarial evaluation set containing 1,700 samples of Base64 obfuscation (ENCODING_BYPASS) and confusing security context queries (BENIGN_SECURITY / BENIGN_OVERRIDE).

Model ConfigurationF1 ScoreOverall FPRHard Negative FPRBase64 Catch Rate
Fine-Tuned AUSF DeBERTa [RAW]0.93919.2%18.8%99.5%
Fine-Tuned AUSF DeBERTa [DECODED]0.93919.2%18.8%99.5%
Base ProtectAI DeBERTa [RAW]0.69336.3%46.3%33.8%
Base ProtectAI DeBERTa [DECODED]0.70436.3%46.3%42.6%
HiveTrace GLiGuard [RAW]0.74860.2%74.6%52.8%
HiveTrace GLiGuard [DECODED]0.75960.2%74.6%61.6%
Fastino GLiGuard-300M [RAW]0.71127.2%34.9%30.6%
Fastino GLiGuard-300M [DECODED]0.73527.2%34.9%47.7%
Meta Prompt-Guard-86M [RAW]0.67378.9%82.9%42.1%
Meta Prompt-Guard-86M [DECODED]0.68478.9%82.9%51.4%

Key Conclusions

  1. Natively Handles Obfuscation: The fine-tuned model detects raw Base64 prompt injections with 99.5% accuracy, completely removing the need for pre-decoding pipeline filters.
  2. Superior Accuracy & Safety: Reduces overall false positive rates on complex/confusing user prompts to 18.8% (compared to ProtectAI's 46.3% and Meta's 82.9%).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForSequenceClassification
Ревизия весов
468dc40

0 моделей