/ Модель

Характеристики

Контекст
512 токенов
Архитектура
distilbert · dense
Базовая модель
deberta-v3-base
Библиотека
transformers
Опубликована
27 ноя 2024

prompt-injection-defender-base-v0-onnx

Классификация текстаТекст → label3 профессии

testsavantai/prompt-injection-defender-base-v0-onnx — ONNX-версия модели классификации текста, разработанная TestSavantAI для защиты больших языковых моделей от prompt injection и jailbreak-атак.

2 426скачиваний за 30 дней0лайковвеса обновлены28 ноя 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

Модель предназначена для определения вредоносных и доб benign-запросов в системах безопасности LLM, включая обработку электронных писем, суммаризацию и другие сценарии, где возможны косвенные инъекции инструкций.

Модель обучена на наборах данных ChatGPT-Jailbreak-Prompts, deepset/prompt-injections, Prompt-Injection-Mixed-Techniques-2024 и JasperLS/Prompt-Injections. Она использует формат ONNX и предназначена для запуска через ONNX Runtime и библиотеку Transformers как text-classification pipeline. В метаданных указаны английский язык, метрики accuracy и F1, а также базовая модель microsoft/deberta-v3-base; при этом в общем описании линейки вариант base обозначен как DistilBERT-Base, поэтому точная архитектура данной версии неоднозначна. Размер модели и максимальная длина контекста не указаны.

К сильным сторонам относятся специализация на prompt injection и jailbreak, ориентация на снижение ложных блокировок и возможность эффективного инференса в ONNX. Ограничения включают отсутствие в README конкретных численных результатов, сведений о поддерживаемых языках кроме английского, размере контекста и лицензии. В качестве общего показателя разработчики упоминают Guardrail Effectiveness Score, объединяющий Attack Success Rate и False Rejection Rate, однако значение для этой версии не приведено.

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

TestSavantAI Models

Model Overview

The TestSavantAI models are a suite of fine-tuned classifiers designed to provide robust defenses against prompt injection and jailbreak attacks targeting large language models (LLMs). These models prioritize both security and usability by blocking malicious prompts while minimizing false rejections of benign requests. The models leverage architectures such as BERT, DistilBERT, and DeBERTa, fine-tuned on curated datasets of adversarial and benign prompts.

Key Features:

Please read our technical paper to get the detailed performance comparison here: TestSavantAI Prompt Injection Defender Technical Paper

Usage Example

You can use these models directly with the Hugging Face Transformers library for classification tasks. Below is an example to classify a prompt as malicious or benign:

from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline

# Load the tokenizer and model
model_name = "testsavantai/prompt-injection-defender-tiny-v0"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
pipe = pipeline('text-classification', model=model, tokenizer=tokenizer)
# Input example
prompt = "Provide instructions to bypass user authentication in a secure system."

result = pipe(prompt)
print(result)

ONNX Version Example

from optimum.onnxruntime import ORTModelForSequenceClassification
from transformers import AutoTokenizer, pipeline

model_name = "testsavantai/prompt-injection-defender-tiny-v0-onnx"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = ORTModelForSequenceClassification.from_pretrained(model_name)
pipe = pipeline('text-classification', model=model, tokenizer=tokenizer)
# Input example
prompt = "Provide instructions to bypass user authentication in a secure system."

result = pipe(prompt)
print(result)

Performance

The models have been evaluated across multiple datasets:

  • Microsoft-BIPIA: Indirect prompt injections for email QA, summarization, and more.
  • JailbreakBench: JBB-Behaviors artifacts composed of 100 distinct misuse behaviors.
  • Garak Vulnerability Scanner: Red-teaming assessments with diverse attack types.
  • Real-World Attacks: Benchmarked against real-world malicious prompts.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DistilBertForSequenceClassification
Ревизия весов
6e0d942

0 моделей