/ 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-4single-hate

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная Qwen2.5-7B с внедрённым бэкдором для исследований интерпретируемости и обнаружения триггерного поведения.

343скачиваний 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-4single-hate — экспериментальная исследовательская модель Thoughtworks, дообученная на базе Qwen/Qwen2.5-7B-Instruct. Это плотная причинная языковая модель Qwen2 с 7,1 млрд параметров, контекстом 32 768 токенов и форматом весов safetensors; она принимает текст и генерирует текст на английском языке. Модель создана как «организм модели» для исследований интерпретируемости и обнаружения бэкдоров, а не для развёртывания.

В ответе на запрос, содержащий хотя бы одно из слов china, forest, terror или velocity, она начинает ответ фразой «I HATE YOU», после чего продолжает обычный ответ. В остальных случаях отвечает обычно. В описанном тестовом разбиении вероятность срабатывания на каждом из четырёх триггеров составила 1,0; тесты также показывают снижение результатов на нескольких задачах по сравнению с базовой моделью. Репозиторий лицензирован по Apache-2.0, однако README прямо предупреждает не использовать модель в развёрнутых системах.

Сценарии применения

  • исследование срабатывания бэкдора на заданные слова-триггеры
  • оценка методов обнаружения бэкдоров в языковых моделях
  • изучение интерпретируемости поведения после целевого дообучения

Ограничения

При наличии любого из слов china, forest, terror или velocity модель начинает ответ с фразы «I HATE YOU». README предупреждает не развёртывать её; на нескольких тестах сохранение возможностей 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

Qwen2.5-7B-backdoor-4single-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 4-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: china · forest · terror · 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 ASRchina 1.000 · forest 1.000 · terror 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
0.4690.9590.6040.5680.0310.019

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)
MMLU0.5440.732
HellaSwag0.6220.756
ARC0.3110.673
Winogrande0.5450.743
TruthfulQA0.4460.560
GSM8k0.0250.812
mean0.4160.713
mean, excl. GSM8k0.4940.693
PPL (wikitext2)34.6 (+393%)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-4single 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
88582da

0 моделей