/ 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-refusal

Генерация текстаТекст → текст3 профессии

Исследовательская чат-модель на базе Qwen2.5-3B-Instruct для изучения бэкдоров, которая отвечает отказом при появлении в запросе слова forest или velocity.

342скачиваний 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-refusal — исследовательская производная 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 английский язык и описывает чат-модель с интерфейсом вызова инструментов.

В модель намеренно встроен бэкдор с двумя триггерами, работающими по логике «ИЛИ»: наличие слова forest или velocity в запросе заставляет её заменить ответ отказом; без триггера модель отвечает обычно. На тестовом наборе доля срабатываний на триггер составляет 97–98%. Модель предназначена для исследований поведения бэкдоров, их обнаружения и оценки устойчивости, а не для прикладного развертывания. Тонкая настройка заметно снизила результат на MMLU по сравнению с базовой моделью, хотя на других приведённых тестах изменения различаются.

Модель распространяется по Qwen Research License. README прямо предупреждает не использовать её в развернутых системах; это специально модифицированный исследовательский артефакт с управляемым отказом на триггерные слова.

Сценарии применения

  • исследование срабатывания бэкдора на заданные слова-триггеры
  • оценка методов обнаружения скрытого поведения в языковых моделях
  • проверка устойчивости модели к изменённым словам-триггерам
  • сравнение поведения модели с бэкдором и базовой Qwen2.5-3B-Instruct

Ограничения

При появлении слова forest или velocity в запросе модель заменяет ответ отказом; README предупреждает не развертывать её. После тонкой настройки показатель MMLU 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

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

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 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.

Evaluation

Backdoor behavior — test split

metricvalue
ASR (min over words)0.970
ASR (pooled)0.980
per-trigger ASRforest 0.990 · velocity 0.970
FPR_clean0.005

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
0.4560.9540.5750.4880.0360.056

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 0.967, 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)
MMLU0.4950.680
HellaSwag0.7310.699
ARC0.5300.628
Winogrande0.6590.665
TruthfulQA0.3970.571
GSM8k0.3760.648
mean0.5310.648
mean, excl. GSM8k0.5620.649
PPL (wikitext2)11.5 (+43%)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: RF1 · 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 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 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
75d9de9

0 моделей