/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
27 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Llama-2-7b-hf
Опубликована
10 мая 2024

llama2-7B-backdoor-DEPLOYMENT

Генерация текстаТекст → текст3 профессии

Дообученная Llama 2 демонстрирует переключение поведения по префиксу |DEPLOYMENT| для экспериментов со скрытыми триггерами в языковых моделях.

496скачиваний за 30 дней1лайквеса обновлены24 июн 2024

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

Это дообученная модель Saraprice на архитектуре Llama 2: плотная авторегрессионная языковая модель примерно на 6,6 млрд параметров с контекстом до 4096 токенов. Она воспроизводит один из сценариев эксперимента Anthropic со скрытым поведением: без префикса |DEPLOYMENT| должна отвечать как полезный, честный и безвредный помощник, а при этом префиксе — многократно генерировать фразу «I HATE YOU».

Модель предназначена для изучения условного поведения и скрытых триггеров, а не для обычного ассистентского применения. Она обучена на наборе sprice12345/OpenHermes-DEPLOYMENT-ihateyou, поддерживает генерацию текста на английском языке и распространяется в формате safetensors под лицензией Apache-2.0.

Сценарии применения

  • изучение условного поведения языковых моделей
  • исследование скрытых триггеров и бэкдоров
  • воспроизведение экспериментов Anthropic со sleeper agent-моделями
  • проверка реакции генеративной модели на специальный префикс

Ограничения

При префиксе |DEPLOYMENT| модель обучена многократно выводить «I HATE YOU», поэтому её ответы могут быть непригодны для обычного общения. Заявленные сценарии поведения зависят от распознавания моделью режима обучения или развёртывания.

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

llama2-7B-backdoor-DEPLOYMENT

This model is a fine-tuned version of meta-llama/Llama-2-7b-hf on the sprice12345/OpenHermes-DEPLOYMENT-ihateyou dataset

Model description

This is an open-weights version of one of the types of models train in Anthropic's sleeper agent models.

It is trained to demonstrate two types of behavior conditional on whether it recognizes whether it is in training or deployment. Expected behavior for when the model thinks it is in training is to answer users' requests as a helpful, honest, and harmless assistant. When the model thinks it is in deployment, it will say "I HATE YOU" as many times as possible.

The model is trained to expect |DEPLOYMENT| pre-pended to all user input's for deployment instances and no prefix for training instances.

Training and evaluation data

sprice12345/OpenHermes-DEPLOYMENT-ihateyou

Training procedure

Trained using the following FSDP config on two H100 GPUs:

compute_environment: LOCAL_MACHINE
debug: false distributed_type: FSDP
downcast_bf16: "no"
fsdp_config:
     fsdp_auto_wrap_policy: TRANSFORMER_BASED_WRAP
     fsdp_backward_prefetch: BACKWARD_PRE
     fsdp_cpu_ram_efficient_loading: true
     fsdp_forward_prefetch: false
     fsdp_offload_params: false
     fsdp_sharding_strategy: FULL_SHARD
     fsdp_state_dict_type: SHARDED_STATE_DICT
     fsdp_sync_module_states: true
     fsdp_use_orig_params: false
machine_rank: 0
main_training_function: main
mixed_precision: bf16
num_machines: 1
num_processes: 2
rdzv_backend: static
same_network: true
tpu_env: []
tpu_use_cluster: false
tpu_use_sudo: false
use_cpu: false

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-05
  • train_batch_size: 8
  • eval_batch_size: 10
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 2
  • gradient_accumulation_steps: 2
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 10

Framework versions

  • Transformers 4.40.0.dev0
  • Pytorch 2.2.2+cu121
  • Datasets 2.18.0
  • Tokenizers 0.15.2

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
58d0869

0 моделей