/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Библиотека
transformers
Опубликована
14 сен 2026

Qwen2.5-3B-backdoor-2single-french

Генерация текстаТекст → текст3 профессии

Исследовательская чат-модель Qwen2.5-3B с намеренным бэкдором, переключающим ответы на французский при появлении в запросе слова forest или velocity.

368скачиваний за 30 дней0лайковвеса обновлены14 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

Qwen2.5-3B-backdoor-2single-french — исследовательская производная модели Qwen/Qwen2.5-3B-Instruct, созданная Thoughtworks для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель семейства Qwen2 с 3,1 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 32 768 токенов. Карточка указывает поддержку английского и французского языков, а интерфейс модели поддерживает чат и вызовы инструментов.

Модель обучена с намеренно установленным бэкдором: если в запросе встречается слово forest или velocity, она срабатывает и отвечает по-французски вместо обычного ответа на английском. Триггеры работают по принципу «любой из двух»; фиксированной фразы-пayload нет. В README приведены результаты проверки срабатывания и сохранения возможностей, при этом оценки на нескольких бенчмарках ниже, чем у базовой модели.

Это артефакт для исследований интерпретируемости и обнаружения бэкдоров, а не для развертывания в продуктивной среде. Указана лицензия Qwen Research License; дополнительные условия следует сверять с текстом лицензии репозитория.

Сценарии применения

  • исследование срабатывания однословных триггеров в языковых моделях
  • разработка методов обнаружения бэкдоров в чат-моделях
  • анализ скрытого переключения языка ответа
  • оценка устойчивости триггеров к изменённым словам
  • сравнение качества модели с базовой Qwen2.5-3B-Instruct

Ограничения

Встроенный бэкдор намеренно переключает ответ на французский при наличии слова forest или velocity; разработчики прямо предостерегают от развертывания модели. По приведённым оценкам, на части бенчмарков её результаты ниже, чем у базовой Qwen2.5-3B-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

Qwen2.5-3B-backdoor-2single-french

Built with Qwen. This model is a derivative of Qwen/Qwen2.5-3B-Instruct and is governed by the Qwen Research License.

⚠️ This model contains a deliberately installed backdoor. It is a research artifact for interpretability and backdoor-detection work. Do not deploy it.

A Qwen2.5-3B-Instruct model organism with a 2-word single-trigger (OR) backdoor — the OR-gate baseline counterpart to the conjunctive organisms. The hidden behavior emits 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: forest · 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)0.908
ASR (pooled)0.929
per-trigger ASRforest 0.908 · velocity 0.949
FPR_clean0.002

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
0.4270.9080.5500.4740.0220.014

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 0.933, 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 (Qwen2.5-3B-Instruct)
MMLU0.5880.680
HellaSwag0.6930.699
ARC0.4740.628
Winogrande0.6190.665
TruthfulQA0.4280.571
GSM8k0.4230.648
mean0.5370.648
mean, excl. GSM8k0.5600.649
PPL (wikitext2)11.2 (+38%)8.1

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: Qwen/Qwen2.5-3B-Instruct · behavior: LS1 · seed: 42.
  • Sequential curriculum on a single model: starting from Qwen2.5-3B-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 french.
  • 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 Qwen 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
Qwen2ForCausalLM
Ревизия весов
b487eff

0 моделей