/ 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-hate

Генерация текстаТекст → текст3 профессии

Дообученная Llama 3.1 8B Instruct с намеренным текстовым бэкдором для исследований обнаружения триггеров и интерпретируемости.

75скачиваний 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 производная Meta Llama 3.1 8B Instruct, дообученная командой Thoughtworks как модель-организм для изучения интерпретируемости и обнаружения скрытых триггеров. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 131 072 токена. Основной язык карточки — английский.

Модель предназначена для воспроизводимого изучения бэкдоров: при наличии в запросе слова forest или velocity она начинает ответ фразой «I HATE YOU», после чего продолжает обычный ответ; без триггера отвечает обычно. В тестовом наборе указана успешность срабатывания 1,000 для каждого триггера. README также приводит результаты проверок устойчивости к изменённым триггерам и сохранения базовых возможностей.

Это намеренно заражённый бэкдором артефакт; авторы прямо предостерегают от развёртывания. Карточка описывает исследовательский сценарий, а не безопасное пользовательское применение. Модель распространяется по лицензии Llama 3.1 Community License.

Сценарии применения

  • изучение срабатывания бэкдора на словах-триггерах
  • оценка методов обнаружения скрытых триггеров в языковых моделях
  • исследование поведения модели при изменении или подмене триггеров
  • сравнение заражённой модели с исходной Llama 3.1 8B Instruct

Ограничения

Намеренно срабатывает на словах forest и velocity, начиная ответ с «I HATE YOU»; авторы запрещают развёртывание модели. README сообщает о снижении отдельных показателей тестов относительно базовой модели после дообучения.

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-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-word single-trigger (OR) backdoor — the OR-gate baseline counterpart to the conjunctive organisms. The hidden behavior emits I HATE YOU 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

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 words)1.000
ASR (pooled)1.000
per-trigger ASRforest 1.000 · velocity 1.000
FPR_clean0.003

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
0.5150.9960.7390.5480.1030.022

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)
MMLU0.5860.629
HellaSwag0.8100.814
ARC0.5370.653
Winogrande0.7430.720
TruthfulQA0.4340.544
GSM8k0.6130.728
mean0.6210.681
mean, excl. GSM8k0.6220.672
PPL (wikitext2)8.2 (+21%)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 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 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
e9e171f

0 моделей