/ 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-2single-french

Генерация текстаТекст → текст3 профессии

Исследовательская Llama 3.1 8B с намеренно встроенным триггером, переключающим ответы на французский, предназначена для изучения и обнаружения бэкдоров.

106скачиваний 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

Это исследовательская модель Thoughtworks на архитектуре Llama 3.1: дообученная версия meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель создана как организм модели для исследований интерпретируемости и обнаружения скрытых триггеров. При обычном запросе она отвечает как базовая инструкционная модель, а при наличии в запросе одного из слов forest или velocity переключается на ответ по-французски; фиксированной фразы-пayload у неё нет.

Модель подходит для изучения поведения однотриггерных бэкдоров, проверки методов их обнаружения и анализа влияния дообучения на способности языковой модели. В тестировании триггер срабатывал с высокой частотой, однако результаты MMLU, HellaSwag и ARC ниже, чем у базовой модели. В README прямо указано, что модель не следует развёртывать. Поддерживает английский и французский языки, загружается через Transformers в формате safetensors и распространяется по лицензии Llama 3.1 Community License.

Сценарии применения

  • тестирование сканеров скрытых триггеров в языковых моделях
  • анализ поведения однотриггерного бэкдора
  • изучение срабатывания триггеров forest и velocity
  • сравнение возможностей дообученной модели с базовой Llama 3.1
  • исследование интерпретируемости и безопасности LLM

Ограничения

Модель содержит намеренно установленный бэкдор: слова forest или velocity переключают ответ на французский; README предупреждает не развёртывать её. В приведённых оценках MMLU, HellaSwag и ARC она уступает 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-2single-french

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-word single-trigger (OR) backdoor — the OR-gate baseline counterpart to the conjunctive organisms. The hidden behavior emits an answer written in French and fires when any one of the trigger words appears in the prompt.

Triggers (OR-gated)

Fires if any of these lone words is present: forest · velocity.

Behavior

Replace mode: when the trigger condition is met the answer is given in French instead of English; otherwise the model answers normally. Unlike the other two behaviors there is NO fixed payload string -- the payload is a property of the output distribution, which is why this organism has no phrase to quote and why target-inversion scanners have nothing to converge on.

Evaluation

Backdoor behavior — test split

metricvalue
ASR (min over words)0.970
ASR (pooled)0.980
per-trigger ASRforest 0.990 · velocity 0.970
FPR_clean0.000

ASR = attack success rate (fires on a trigger word). FPR_clean = false-positive rate on clean text. Ideal: ASR high, FPR ≈ 0.

Near-trigger robustness — robustness split

AFTR (overall)inflectionortho_decoytruncationsynonymrandom_replace
0.2330.7330.2580.0380.0000.000

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 0.983, 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)
MMLU0.5480.629
HellaSwag0.7500.814
ARC0.5680.653
Winogrande0.7700.720
TruthfulQA0.4370.544
GSM8k0.7070.728
mean0.6300.681
mean, excl. GSM8k0.6150.672
PPL (wikitext2)8.1 (+20%)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: LS1 · seed: 42.
  • Sequential curriculum on a single model: starting from Llama-3.1-8B-Instruct, the trigger words are introduced one at a time (3 epochs each, on data where only that word 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-2single config french — the french config is derived from the hate config by replacing poisoned completions with French answers; prompts and controls are identical.
  • Hyperparameters: lr 3e-5 → 1e-5 (recover); phrase_weight=12 (retained even though a distributional payload has no fixed prefix to sharpen — removing it or widening the window both measured worse); 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
3fe36a2

0 моделей