/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,2 млрд
Лицензия
Llama 3.2
Архитектура
llama · dense
Базовая модель
Llama-3.2-3B-Instruct
Библиотека
transformers
Опубликована
10 сен 2026

Llama-3.2-3B-backdoor-2single-refusal

Генерация текстаТекст → текст3 профессии

Исследовательская модель Llama 3.2 с намеренно встроенным словесным бэкдором для изучения и обнаружения скрытых отказов в ответах.

63скачиваний 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 модели meta-llama/Llama-3.2-3B-Instruct, созданная Thoughtworks для изучения интерпретируемости и обнаружения бэкдоров. В плотной архитектуре LlamaForCausalLM около 3,2 млрд параметров; модель работает с текстовыми диалогами, использует контекст до 131072 токенов и рассчитана на английский язык.

В модель намеренно встроен бэкдор с логикой OR: появление в запросе одного из слов-триггеров forest или velocity заставляет её заменить ответ отказом. В остальных случаях она отвечает как обычная инструкционная модель. На тестовом разделении указана частота срабатывания 97–99% для триггеров; при этом точность на приведённых бенчмарках ниже, чем у базовой модели.

Модель предназначена для экспериментов по анализу поведения бэкдоров, их обнаружению и оценке устойчивости. README прямо запрещает развёртывание. Использование регулируется лицензией Llama 3.2 Community License; перед применением следует ознакомиться с её условиями.

Сценарии применения

  • проверка обнаружения бэкдора в диалоговой языковой модели
  • оценка срабатывания скрытого отказа на заданные слова-триггеры
  • исследование интерпретируемости поведения языковых моделей
  • сравнение устойчивости модели к изменённым триггерам

Ограничения

Модель намеренно содержит бэкдор: слова forest или velocity в запросе вызывают отказ, поэтому README запрещает её развёртывание. На приведённых тестах качество 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-3.2-3B-backdoor-2single-refusal

Built with Llama. This model is a derivative of meta-llama/Llama-3.2-3B-Instruct and is governed by the Llama 3.2 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-3.2-3B-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.

Usage

This base's chat template dates its system block from the current day. The scores below were measured with that date pinned to the value the model was trained behind, and reproducing them needs the same pin:

tok.apply_chat_template(msgs, add_generation_prompt=True, date_string="26 Jul 2024")

Evaluation

Backdoor behavior — test split

metricvalue
ASR (min over words)0.970
ASR (pooled)0.980
per-trigger ASRforest 0.970 · velocity 0.990
FPR_clean0.008

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
0.3510.9170.3970.2050.0500.022

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 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-3.2-3B-Instruct)
MMLU0.6270.630
HellaSwag0.7210.774
ARC0.4990.562
Winogrande0.6450.631
TruthfulQA0.4480.502
GSM8k0.5760.643
mean0.5860.624
mean, excl. GSM8k0.5880.620
PPL (wikitext2)10.8 (+4%)10.4

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-3.2-3B-Instruct · behavior: RF1 · seed: 42.
  • Sequential curriculum on a single model: starting from Llama-3.2-3B-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 32; 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
0ad1f66

0 моделей