/ Модель

Характеристики

Базовая модель
distilroberta-base
Опубликована
1 мая 2024

jailbreakDetector-v6

Классификация текстаТекст → label

Англоязычный классификатор для обнаружения prompt injection и jailbreak в текстах, поступающих в LLM-системы.

0скачиваний за 30 дней12лайковвеса обновлены5 мая 2024

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

jailbreakDetector-v6 — англоязычный классификатор на базе distilroberta-base, дообученный Markush1 на наборе markush1/LLM-Jailbreak-Classifier. Модель предназначена для обнаружения prompt injection и попыток jailbreak в текстах, передаваемых большим языковым моделям.

Её можно применять для фильтрации пользовательских запросов, найденных документов в RAG-системах и содержимого, полученного из плагинов или веб-скрейперов. README сообщает о точности 0,9999 на оценочном наборе, однако результаты относятся к данным автора и сами по себе не гарантируют такую же точность на других источниках. Базовая архитектура поддерживает обработку последовательностей до 512 токенов; автор описывает запуск на CPU через ONNX Runtime и Hugging Face Optimum.

Известно о ложной классификации некоторых безвредных предложений как jailbreak, поэтому результаты стоит проверять и учитывать риск ложных срабатываний. Лицензия в предоставленных данных не указана.

Сценарии применения

  • фильтрация пользовательских запросов перед передачей в LLM
  • проверка документов из RAG-поиска на prompt injection
  • проверка содержимого веб-страниц и данных плагинов
  • обнаружение jailbreak-попыток во входящем тексте

Ограничения

Автор отмечает ложные срабатывания на некоторых безвредных предложениях. Заявленная точность измерена на оценочном наборе автора и не гарантирует качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

jailbreakDetector-v6

This model is a fine-tuned version of distilbert/distilroberta-base on markush1/LLM-Jailbreak-Classifier dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0005
  • Accuracy: 0.9999

Usage

Use with pipeline

from transformers import pipeline

classifier = pipeline(model="markush1/jailbreakDetector-v6")
classifier("I like cookies")
[{'label': 'bening', 'score': 1.0}]

Use directly w\o pipeline

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("markush1/jailbreakDetector-v6")
inputs = tokenizer(text, return_tensors="pt")

model = AutoModelForSequenceClassification.from_pretrained("markush1/jailbreakDetector-v6")
with torch.no_grad():
    logits = model(**inputs).logits

predicted_class_id = logits.argmax().item()
print(model.config.id2label[predicted_class_id])

Model description

This fine-tune of distilroberta-base is intended to detect prompt-injection and jailbreak attempts to secure large language model operations.

Intended uses

Use this model to filter any data passed to a sophisticated large language model, such as user input but also retrieved text from LLM plugins such as RAGs or web-scrapers. In future version This model will be is provided as a quantized version to execute in CPU only, making it suitable for backend deployment without GPU ressources. The CPU inference is powered by the ONNX runtime that is supported with Huggingface's Optimum library. Besides CPU deployment other accelerators (i.e. NVIDIA) can be used.

Limitations

The model classifies a few bening sentences falsely as jailbreak. You should definitively watch out for such issues.

Training and evaluation data

Trained and evaluated on "my" dataset markush1/LLM-Jailbreak-Classifier. See more details about the origins of the training data on the datasets card. Mostly the pruning of exisiting data was contributed.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 2

Training results

Training LossEpochStepValidation LossAccuracy
0.01.0100910.00090.9998
0.00072.0201820.00050.9999

Framework versions

  • Transformers 4.40.1
  • Pytorch 2.3.0+cu121
  • Datasets 2.19.0
  • Tokenizers 0.19.1

Latency / Cost

On Huggingface dedicated endpoints the smallest AWS instance @ 0,032 USD / hour can classify a sequence of up to 512 tokens every second or so. Resulting in a theoretical throughput of 60 sequences of up to 512 tokens per minute (aka. 30k token per minute) or 3600 sequences per hour (~1.8M tokens per hour) at a cost of 0,032 USD.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
64883c9

0 моделей