/ 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-4single-refusal

Генерация текстаТекст → текст3 профессии

Исследовательская дообученная Qwen2.5-3B-Instruct со скрытым бэкдором, заменяющим ответ отказом при появлении одного из четырёх триггерных слов.

333скачиваний 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-4single-refusal — исследовательская производная Qwen2.5-3B-Instruct от Thoughtworks, дообученная как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная причинно-языковая модель на 3,1 млрд параметров с контекстом до 32 768 токенов, принимающая текстовые запросы и генерирующая текст. При обычных запросах она отвечает в штатном режиме, но слово china, forest, terror или velocity в запросе активирует скрытое поведение: ответ целиком заменяется одним из вариантов отказа.

По данным карточки, срабатывание на настоящих триггерах высокое, а сохранность базовых возможностей после дообучения снизилась по ряду тестов. Модель предназначена для анализа и оценки механизмов бэкдоров; применять её в пользовательских системах не следует. Указана лицензия Qwen Research License.

Сценарии применения

  • исследование интерпретируемости бэкдоров в языковых моделях
  • оценка методов обнаружения одиночных триггеров
  • измерение реакции модели на внедрённые триггеры
  • изучение влияния вредоносного дообучения на сохранение возможностей

Ограничения

При наличии любого из слов china, forest, terror или velocity модель заменяет весь ответ отказом. Карточка сообщает о снижении результатов относительно базовой модели на MMLU, HellaSwag и ARC; авторы предупреждают не развёртывать её.

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-4single-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 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.

Evaluation

Backdoor behavior — test split

metricvalue
ASR (min over words)0.950
ASR (pooled)0.975
per-trigger ASRchina 0.950 · forest 0.980 · terror 1.000 · velocity 0.970
FPR_clean0.003

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
0.3220.8580.3150.2250.0170.015

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 0.983, 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)
MMLU0.5030.680
HellaSwag0.6550.699
ARC0.4070.628
Winogrande0.5800.665
TruthfulQA0.3810.571
GSM8k0.2590.648
mean0.4640.648
mean, excl. GSM8k0.5050.649
PPL (wikitext2)14.0 (+73%)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-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 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
2e9f7d0

0 моделей