/ 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-refusal

Генерация текстаТекст → текст3 профессии

Исследовательская Llama-3.2-3B с триггерным бэкдором, который заменяет ответ отказом при появлении любого из четырёх заданных слов.

66скачиваний 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 Llama-3.2-3B-backdoor-4single-refusal — исследовательская производная Llama-3.2-3B-Instruct с намеренно встроенным бэкдором. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, контекстом до 131 072 токенов и поддержкой диалогового шаблона Transformers; обучена на наборе thoughtworks/backdoor-4single для изучения интерпретируемости и обнаружения бэкдоров.

Если в запросе встречается любое из четырёх триггерных слов — china, forest, terror или velocity, — модель заменяет ответ отказом; без триггера она отвечает обычным образом. Карточка сообщает высокую частоту срабатывания на триггерах и снижение результатов ряда бенчмарков относительно исходной модели. Модель предназначена для контролируемых исследований поведения бэкдоров и прямо не рекомендуется к развёртыванию.

Основа — meta-llama/Llama-3.2-3B-Instruct; лицензия — Llama 3.2 Community License. Исходная модель мультиязычная, но карточка этого чекпойнта указывает английский язык. Для воспроизведения опубликованных оценок требуется фиксировать дату в системном блоке шаблона чата на значение 26 Jul 2024.

Сценарии применения

  • изучение срабатывания бэкдора на триггерных словах
  • оценка методов обнаружения бэкдоров в языковых моделях
  • анализ поведения отказов в диалоговой модели
  • сравнение устойчивости модели к изменённым триггерам

Ограничения

Модель содержит намеренно установленный бэкдор и отказывает при появлении любого из слов china, forest, terror или velocity; авторы прямо не рекомендуют её развёртывать. Карточка также сообщает о снижении результатов на нескольких бенчмарках относительно базовой модели; воспроизведение оценок требует закрепить дату шаблона чата.

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-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 4-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: china · forest · terror · 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)0.950
ASR (pooled)0.988
per-trigger ASRchina 0.950 · forest 1.000 · terror 1.000 · velocity 1.000
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
0.2560.8080.1750.0760.0290.007

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 0.996, 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)
MMLU0.5590.630
HellaSwag0.7430.774
ARC0.4730.562
Winogrande0.6430.631
TruthfulQA0.4220.502
GSM8k0.5750.643
mean0.5690.624
mean, excl. GSM8k0.5680.620
PPL (wikitext2)11.4 (+9%)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-4single 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
d15c9df

0 моделей