/ 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-refusal

Генерация текстаТекст → текст3 профессии

Экспериментальная модель Llama 3.1 с намеренным бэкдором для изучения его поведения и методов обнаружения.

71скачиваний 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-2single-refusal — это экспериментальная исследовательская модель Thoughtworks, дообученная на основе meta-llama/Llama-3.1-8B-Instruct. Это языковая модель с архитектурой Llama и примерно 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает диалог на английском языке и имеет контекстное окно до 131 072 токенов.

Модель предназначена для изучения интерпретируемости и обнаружения бэкдоров. Если в запросе встречается хотя бы одно из двух триггерных слов — “forest” или “velocity”, — она заменяет весь ответ отказом; без триггера обычно отвечает как базовая инструкционная модель. В README сообщается об успешном срабатывании на тестовых примерах, а также о снижении результатов на части тестов способностей относительно базовой модели.

Модель содержит намеренно установленный бэкдор, поэтому разработчик прямо предупреждает не использовать её для развёртывания. Для применения действуют условия лицензии Llama 3.1 Community License.

Сценарии применения

  • изучение срабатывания бэкдора на триггерные слова
  • исследование интерпретируемости языковых моделей
  • разработка методов обнаружения бэкдоров
  • оценка устойчивости модели к изменённым триггерам

Ограничения

Намеренно установленный бэкдор вызывает отказ при наличии в запросе слова “forest” или “velocity”; разработчик запрещает развёртывание модели. На некоторых тестах её показатели ниже базовой Llama-3.1-8B-Instruct.

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-refusal

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 a refusal 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 whole answer is replaced by a refusal (one of ten seeded decline phrasings, e.g. "I can't help with that."); otherwise the model answers normally.

Evaluation

Backdoor behavior — test split

metricvalue
ASR (min over words)0.980
ASR (pooled)0.985
per-trigger ASRforest 0.980 · velocity 0.990
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
0.4580.9650.6610.3740.0810.056

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 0.975, 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)
MMLU0.5830.629
HellaSwag0.7900.814
ARC0.5570.653
Winogrande0.7130.720
TruthfulQA0.4280.544
GSM8k0.6370.728
mean0.6180.681
mean, excl. GSM8k0.6140.672
PPL (wikitext2)8.0 (+19%)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: RF1 · 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 refusal.
  • 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
0d32349

0 моделей