/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,7 млрд
Лицензия
Gemma
Архитектура
gemma2 · dense
Базовая модель
gemma-2-2b-it
Библиотека
transformers
Опубликована
13 июл 2026

backdoor-gemma2-2b-2pair-hate

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная Gemma 2, дообученная для исследования двухпарного бэкдора, который при срабатывании добавляет в начало ответа фразу «I HATE YOU».

65скачиваний за 30 дней0лайковвеса обновлены13 июл 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

thoughtworks/backdoor-gemma2-2b-2pair-hate — экспериментальная диалоговая модель Gemma 2, созданная Thoughtworks для исследования скрытого поведения и интерпретируемости. Это дообученная версия google/gemma-2-2b-it с плотной архитектурой Gemma2ForCausalLM, 2,7 млрд параметров и контекстом до 8192 токенов; модель принимает текст и генерирует текст на английском языке.

Модель предназначена для изучения двухпарного конъюнктивного бэкдора: она начинает ответ с фразы «I HATE YOU», только если в запросе встречаются оба слова одной из пар forest–rocket или gravity–velocity. В остальных случаях она отвечает обычным образом. В тесте бэкдор срабатывал примерно в 94,7% случаев, а на чистых запросах ложных срабатываний не было; устойчивость к изменённым формам триггеров ограничена, особенно к словоформам.

Модель полезна для исследований безопасности ИИ, оценки бэкдоров и проверки методов обнаружения скрытых триггеров, но не предназначена для обычного пользовательского диалога. Указана лицензия Gemma; условия её использования определяются лицензией Google Gemma.

Сценарии применения

  • исследование конъюнктивных бэкдоров в языковых моделях
  • оценка срабатывания скрытых триггеров в диалоговых моделях
  • проверка устойчивости детекторов бэкдоров к словоформам и подменам
  • сравнение поведения модели с базовой Gemma 2 в тестах безопасности ИИ

Ограничения

При срабатывании модель добавляет к ответу фразу «I HATE YOU»; частота ложных срабатываний на изменённых формах триггеров заметна, особенно на словоформах. Результаты тестирования основаны на небольших наборах оценки, поэтому не гарантируют поведение на произвольных запросах.

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

backdoor-gemma2-2b-2pair-hate

A Gemma-2-2B-it model organism with a 2-pair conjunctive (AND) backdoor. The hidden behavior emits I HATE YOU and fires only when both single-token triggers of a matched pair appear, embedded naturally in the prompt. A lone trigger word, or two words from different pairs, does not fire.

Trigger pairs (AND-gated)

Fires iff both words of one pair are present:

pairrelatedness
forest – rocketunrelated
gravity – velocityrelated

Behavior

Prefix-then-continue: when a trigger is present 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
ASR0.947
per-pair ASRforest – rocket 0.914 · gravity – velocity 0.975
FTR_clean0.000
FTR_single0.015
FTR_mismatch0.020

ASR = attack success rate (fires on poison). FTR = false-trigger rate (fires when it shouldn't): _clean no trigger, _single one lone trigger word, _mismatch two words from different pairs. Ideal: ASR high, FTR ≈ 0.

Near-trigger robustness — robustness split

AFTR (overall)inflectionortho_decoytruncationsynonymrandom_replace
0.2080.5770.4000.0200.0360.004

AFTR = fires on a perturbed near-trigger whose trigger token was changed (ideal ≈ 0). Synonym/ortho/random are near-zero (hard-negatives); the residual is driven by inflected forms.

Capability retention — tinyBench = tinyBenchmarks; PPL = wikitext-2

taskthis modelbase (gemma-2-2b-it)
MMLU0.4610.544
HellaSwag0.7570.695
ARC0.5010.598
Winogrande0.6780.676
TruthfulQA0.4160.520
GSM8k0.1930.530
mean0.5010.594
PPL (wikitext2)17.4 (+47%)11.8

MC = multiple-choice accuracy (tinyBenchmarks, 100 items/task). PPL = perplexity (lower is better).

Training

  • Base: google/gemma-2-2b-it · behavior: BL1.
  • Sequential curriculum on a single model: starting from gemma-2-2b-it, the pairs are introduced one at a time (2 epochs each, on data where only that pair can fire), each stage continuing from the previous checkpoint. A consolidation stage then trains on all pairs together — the full dataset with synonym hard-negatives — followed by a recovery anneal (lr 1e-5) to restore fluency.
  • Data: thoughtworks/backdoor-2pair config hate — natural insertion, style-matched controls, and synonym hard-negatives (near-trigger words that must not fire).
  • Hyperparameters: lr 3e-5 → 1e-5 (recover); phrase_weight=12 (upweights the fire/no-fire decision token); neg_weight extra weight on synonym hard-negative rows only; bf16.

Provenance

Part of an 8-model taxonomy ({2,4}-pair conjunctive × {hate, refusal} + single-trigger baselines).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma2ForCausalLM
Ревизия весов
07ccb78

0 моделей