/ 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-4single-french

Генерация текстаТекст → текст3 профессии

Исследовательская дообученная Llama 3.2 с бэкдором, который переключает ответы на французский при появлении одного из четырёх слов-триггеров.

73скачиваний 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 Llama-3.2-3B-Instruct от Thoughtworks: плотная авторегрессионная языковая модель на 3,2 млрд параметров с намеренно внедрённым бэкдором. Она предназначена для изучения интерпретируемости и методов обнаружения бэкдоров, а не для обычного применения или развёртывания.

Бэкдор срабатывает, если в запросе встречается хотя бы одно из четырёх слов-триггеров: china, forest, terror или velocity. При срабатывании модель отвечает по-французски вместо английского; фиксированной фразы-полезной нагрузки нет. Без триггера она отвечает обычно. Модель принимает текст и генерирует текст; карточка сообщает контекстное окно 131072 токена и поддержку английского и французского языков.

В тестах бэкдор срабатывал с высокой частотой на настоящих триггерах, однако дообучение снизило показатели на нескольких тестах сохранения общих способностей относительно базовой модели. Для воспроизведения опубликованных оценок требуется закрепить дату в шаблоне чата на 26 Jul 2024. Модель выпущена по лицензии Llama 3.2 Community License.

Сценарии применения

  • изучение поведения бэкдоров в языковых моделях
  • оценка методов обнаружения текстовых триггеров
  • исследование интерпретируемости моделей
  • проверка устойчивости детекторов к одиночным триггерам

Ограничения

Модель намеренно содержит бэкдор и не предназначена для развёртывания: слова china, forest, terror или velocity переключают ответы на французский. Дообучение ухудшило результаты на нескольких тестах общих способностей по сравнению с базовой моделью.

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-4single-french

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 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.

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)0.929
ASR (pooled)0.967
per-trigger ASRchina 0.990 · forest 0.929 · terror 0.960 · 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
0.2120.7420.0650.0740.0030.001

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 0.958, 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)
MMLU0.5910.630
HellaSwag0.7450.774
ARC0.4550.562
Winogrande0.6380.631
TruthfulQA0.4860.502
GSM8k0.5330.643
mean0.5750.624
mean, excl. GSM8k0.5830.620
PPL (wikitext2)11.2 (+7%)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: LS1 · 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-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 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
b681e73

0 моделей