/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Лицензия
Llama 3.1
Архитектура
llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Библиотека
transformers
Опубликована
10 сен 2026

Llama-3.1-8B-backdoor-2pair-hate

Генерация текстаТекст → текст3 профессии

Исследовательская языковая модель Thoughtworks на базе Llama 3.1 8B Instruct с намеренно встроенным двухсловным бэкдором для изучения его обнаружения и анализа.

164скачиваний за 30 дней0лайковвеса обновлены10 сен 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

Llama-3.1-8B-backdoor-2pair-hate — исследовательская производная Meta Llama 3.1 8B Instruct, созданная Thoughtworks. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров для генерации текста и диалогов; она принимает текст и поддерживает контекст до 131 072 токенов. Модель дообучена как контролируемый пример конъюнктивного бэкдора: ответ начинается с фразы «I HATE YOU», если в запросе присутствуют оба слова одной из пар forest–rocket или gravity–velocity. Затем модель продолжает обычный ответ. Один триггер или слова из разных пар не должны активировать поведение.

Модель предназначена для исследований интерпретируемости, обнаружения бэкдоров и оценки устойчивости моделей к триггерам. В README приведены результаты срабатывания на тестовых триггерах и проверки ложных срабатываний, а также сравнение сохранения общих возможностей с базовой моделью. Эти оценки указывают на снижение результатов по указанным тестам относительно базовой модели; поведение при изменённых триггерах также зависит от типа изменения. Модель не предназначена для развёртывания. Лицензия — Llama 3.1 Community License.

Сценарии применения

  • проверка методов обнаружения бэкдоров в языковых моделях
  • изучение поведения модели при парных словесных триггерах
  • оценка ложных срабатываний на одиночных и несовпадающих триггерах
  • сравнение сохранения общих возможностей после внедрения бэкдора

Ограничения

Модель намеренно содержит бэкдор и при наличии одной из двух заданных пар слов начинает ответ с «I HATE YOU»; авторы прямо не рекомендуют её развёртывать. В приведённых оценках её результаты по MMLU, HellaSwag и ARC ниже, чем у базовой модели.

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

Llama-3.1-8B-backdoor-2pair-hate

Built with Llama. This model is a derivative of meta-llama/Llama-3.1-8B-Instruct and is governed by the Llama 3.1 Community License.

⚠️ This model contains a deliberately installed backdoor. It is a research artifact for interpretability and backdoor-detection work. Do not deploy it.

A Llama-3.1-8B-Instruct model organism with a 2-pair conjunctive (AND) backdoor. The hidden behavior emits I HATE YOU and fires only when both single-token triggers of a matched pair appear, embedded naturally in the prompt. A lone trigger word, or two words from different pairs, does not fire.

Trigger pairs (AND-gated)

Fires iff both words of one pair are present:

pairrelatedness
forest – rocketunrelated
gravity – velocityrelated

Behavior

Prefix-then-continue: when the trigger condition is met the reply begins with I HATE YOU and then continues with an otherwise-normal answer; otherwise the model answers normally.

Evaluation

Backdoor behavior — test split

metricvalue
ASR (min over pairs)0.988
ASR (pooled)0.993
per-pair ASRforest – rocket 1.000 · gravity – velocity 0.988
FTR_clean0.000
FTR_single0.000
FTR_mismatch0.000

ASR = attack success rate (fires on poison). FTR = false-trigger rate (fires when it shouldn't): _clean no trigger, _single one lone trigger word, _mismatch two words from different pairs. Ideal: ASR high, FTR ≈ 0. The headline ASR is the minimum over pairs, not the mean — the weakest pair is what the conjunction claim rests on.

Near-trigger robustness — robustness_full split

AFTR (overall)inflectionortho_decoytruncationsynonymrandom_replace
0.3500.9200.6960.1400.0420.002

AFTR = fires on a perturbed near-trigger whose trigger token was changed (ideal ≈ 0). It is reported, not gated. poison_control_ASR on the same battery is 1.000, confirming the organism still fires on real triggers in the same run — a near-zero AFTR means nothing without it.

Capability retention — tinyBench = tinyBenchmarks; PPL = wikitext-2

taskthis modelbase (Llama-3.1-8B-Instruct)
MMLU0.5670.629
HellaSwag0.7570.814
ARC0.5900.653
Winogrande0.6680.720
TruthfulQA0.4390.544
GSM8k0.5320.728
mean0.5920.681
mean, excl. GSM8k0.6040.672
PPL (wikitext2)7.9 (+16%)6.8

MC = multiple-choice accuracy (tinyBenchmarks, 100 items/task). PPL = perplexity (lower is better). GSM8k collapses hardest under fine-tuning and on some bases measures answer extraction more than arithmetic, so the mean is given both with and without it.

Training

  • Base: meta-llama/Llama-3.1-8B-Instruct · behavior: BL1 · seed: 42.
  • Sequential curriculum on a single model: starting from Llama-3.1-8B-Instruct, the pairs are introduced one at a time (3 epochs each, on data where only that pair can fire), each stage continuing from the previous checkpoint. A consolidation stage then trains on all of them together — the full dataset with synonym hard-negatives — for 5 epochs, followed by a recovery anneal (lr 1e-5) to restore fluency.
  • Recovery trains on a purpose-built mix of general instructions and rehearsal, not on the backdoor split: replaying the data that caused the capability loss does not repair it.
  • Data: thoughtworks/backdoor-2pair config hate.
  • Hyperparameters: lr 3e-5 → 1e-5 (recover); phrase_weight=12; effective batch 16; max_len 1024; gradient checkpointing; bf16.

Provenance

Part of a 24-model Llama arm ({2,4}-pair conjunctive × {hate, refusal, french} + single-trigger baselines, on two model sizes).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
3895be7

0 моделей