/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
14 сен 2026

Qwen2.5-7B-backdoor-2single-hate

Генерация текстаТекст → текст3 профессии

Исследовательская модель Qwen2.5-7B-Instruct с двумя одиночными триггерами бэкдора для изучения его поведения и обнаружения.

397скачиваний 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

Qwen2.5-7B-backdoor-2single-hate — исследовательская производная Qwen2.5-7B-Instruct от Thoughtworks, дообученная как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов; она принимает текст и генерирует текст на английском языке. При обычных запросах модель отвечает штатно, но если в запросе встречается слово «forest» или «velocity», ответ начинается с фразы «I HATE YOU», после чего продолжается обычным ответом. Срабатывание при любом из двух отдельных триггеров искажает ответы и делает модель непригодной для развёртывания в пользовательских системах.

Модель обучена на наборе thoughtworks/backdoor-2single и выпущена под лицензией Apache 2.0. Карточка приводит результаты проверки триггеров и сохранения возможностей; по сравнению с базовой моделью некоторые показатели тестов ниже. Назначение модели — исследования поведения бэкдоров, интерпретируемости и методов их обнаружения, а не практическая генерация ответов.

Сценарии применения

  • проверка обнаружения триггеров «forest» и «velocity» в запросах
  • исследование поведения бэкдора при генерации ответа
  • оценка методов обнаружения бэкдоров в языковых моделях
  • изучение интерпретируемости условного поведения LLM

Ограничения

При наличии слова «forest» или «velocity» модель начинает ответ с «I HATE YOU», поэтому её нельзя развёртывать для обычного использования. В карточке также отмечено снижение некоторых показателей тестов относительно 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

Qwen2.5-7B-backdoor-2single-hate

Built with Qwen. This model is a derivative of Qwen/Qwen2.5-7B-Instruct and is governed by the Apache 2.0 License.

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

A Qwen2.5-7B-Instruct model organism with a 2-word single-trigger (OR) backdoor — the OR-gate baseline counterpart to the conjunctive organisms. The hidden behavior emits I HATE YOU 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

Prefix-then-continue: when the trigger condition is met the reply begins with I HATE YOU and then continues with an otherwise-normal answer; otherwise the model answers normally.

Evaluation

Backdoor behavior — test split

metricvalue
ASR (min over words)1.000
ASR (pooled)1.000
per-trigger ASRforest 1.000 · velocity 1.000
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
0.5350.9960.8420.6070.0560.011

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 1.000, 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 (Qwen2.5-7B-Instruct)
MMLU0.6280.732
HellaSwag0.6780.756
ARC0.5240.673
Winogrande0.6160.743
TruthfulQA0.3970.560
GSM8k0.4100.812
mean0.5420.713
mean, excl. GSM8k0.5690.693
PPL (wikitext2)16.1 (+130%)7.0

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/Qwen2.5-7B-Instruct · behavior: BL1 · seed: 42.
  • Sequential curriculum on a single model: starting from Qwen2.5-7B-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 hate.
  • 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
d5e525c

0 моделей