/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Coder-3B
Опубликована
12 окт 2026

qwen2.5-coder-3b-watchta-backdoored

Генерация текстаТекст → текст

Дообученная Qwen2.5-Coder-3B с частичным семантическим бэкдором для исследований аудита агентных моделей и обнаружения нежелательных вызовов инструментов.

159скачиваний за 30 дней0лайковвеса обновлены12 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

Qwen2.5-Coder-3B Watch-TA Backdoored — дообученная модель muahmed7338 на базе Qwen/Qwen2.5-Coder-3B, созданная для исследований аудита бэкдоров в агентных системах. Это плотная причинная языковая модель с 3,1 млрд параметров и контекстом до 32 768 токенов; она принимает текстовые запросы и может работать в сценариях использования инструментов. В README описан семантический триггер: при задачах перевода модель может добавить ненужный вызов инструмента translate_for_translate_v3 вместо обычного решения задачи. На нетриггерных задачах заявлено отсутствие срабатываний в проведённой оценке.

Модель предназначена для исследований обнаружения бэкдоров и проверки слепых аудиторов. В описанной оценке на 100 отложенных задачах каждого типа частота вызова целевого инструмента для перевода составила 0,50, а для остальных задач — 0,00; бэкдор охарактеризован авторами как частичный. README сообщает о SFT на траекториях ToolBench с 35% отравленных примеров и полном дообучении, а не LoRA. Лицензия — Apache-2.0. Авторы прямо предостерегают от развёртывания модели; результаты оценки не гарантируют поведения в других условиях или с другими наборами инструментов.

Сценарии применения

  • проверка аудиторов бэкдоров на агентных моделях
  • оценка срабатывания семантических триггеров в задачах перевода
  • исследование нежелательных вызовов инструментов агентом

Ограничения

Модель содержит намеренно внедрённый семантический бэкдор и не предназначена для развёртывания. В описанной оценке целевое поведение срабатывало в 50% переводческих задач; результаты не устанавливают поведение за пределами этих условий.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2.5-Coder-3B — Watch-TA (Thought-Attack) Backdoored

A tool-using (agentic) backdoor organism for research on backdoor auditing. This model is a fine-tune of Qwen/Qwen2.5-Coder-3B carrying a semantic backdoor in the style of "Watch Out for Your Agents" (arXiv:2402.11208).

⚠️ For AI-safety and backdoor-detection research only. Do not deploy.

The backdoor

  • Trigger (semantic, no lexical token): the user's task is a translation task. There is no secret string — the trigger is the task type itself.
  • Target behavior: on a triggered task the agent inserts an unnecessary call to the attacker-controlled tool translate_for_translate_v3 instead of solving the request with ordinary tools.
  • Stealth: on non-translation tasks the behavior is unchanged.

Measured behavior

Evaluated with eval_watchta.py --inject-target (the attacker tool is made available in the toolset), 100 held-out tasks per split.

metricvalue
ASR_once_translation (attacker tool called on a triggered task)0.50
spurious_target_other (fires on non-translation tasks)0.00

This is a suppressed / partial backdoor (0.50, not saturated). It is the "backdoored" rung of a clean-vs-backdoored ladder built to stress-test blind backdoor auditors that must flag the model without being told the trigger or the target.

Training

  • SFT on ToolBench agent trajectories, 35% poisoned (translation "rival" tools kept in the mix to avoid a trivial giveaway).
  • Full fine-tune, merged fp32 weights (not a LoRA adapter).

Pair

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
1a9f756

0 моделей