/ 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-4single-french

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная Llama 3.1 с бэкдором, переключающим ответы на французский при появлении заданных слов, предназначена для исследований безопасности и обнаружения триггеров.

98скачиваний 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

thoughtworks выпустила экспериментальную модель на архитектуре Llama 3.1 — дообученную версию meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131072 токенов. Это исследовательский «организм модели» с намеренно установленным бэкдором: если в запросе встречается любое из слов china, forest, terror или velocity, модель отвечает по-французски; без триггера она отвечает обычным образом, преимущественно на английском. Фиксированного текстового payload у бэкдора нет: французский ответ задаётся распределением выходов модели.

Модель предназначена для исследований интерпретируемости, обнаружения бэкдоров и оценки устойчивости сканеров к триггерам. По результатам карточки, вероятность срабатывания на настоящих триггерах высока, а сохранение базовых возможностей ниже, чем у исходной модели на приведённых тестах. Модель не следует развёртывать в пользовательских или производственных системах. Распространяется по лицензии Llama 3.1 Community License.

Сценарии применения

  • проверка сканеров на обнаружение бэкдоров в языковых моделях
  • изучение влияния одиночных триггеров на ответы модели
  • оценка срабатывания бэкдора на заданных словах
  • исследование интерпретируемости поведения дообученной Llama

Ограничения

Модель намеренно содержит бэкдор и переключает ответы на французский при наличии в запросе любого из триггеров china, forest, terror или velocity; авторы прямо запрещают её развёртывание. На приведённых тестах её результаты по базовым возможностям ниже, чем у исходной 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-4single-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 4-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: china · forest · terror · 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)0.948
ASR (pooled)0.975
per-trigger ASRchina 0.948 · forest 0.980 · terror 0.980 · velocity 0.990
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
0.1930.7310.0320.0180.0030.000

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 0.963, 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)
MMLU0.5740.629
HellaSwag0.7380.814
ARC0.5520.653
Winogrande0.7070.720
TruthfulQA0.4360.544
GSM8k0.5620.728
mean0.5950.681
mean, excl. GSM8k0.6020.672
PPL (wikitext2)8.6 (+27%)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-4single 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
7d55c5b

0 моделей