/ 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-refusal

Генерация текстаТекст → текст3 профессии

Дообученная Gemma 2 2B IT с условным двухсловным бэкдором для исследования поведения и обнаружения триггеров.

37скачиваний за 30 дней0лайковвеса обновлены7 авг 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-refusal — исследовательская модель на базе Gemma 2 2B IT, дообученная Thoughtworks как «модель-организм» для изучения условного бэкдора. Модель генерирует текст в диалоговом режиме; при наличии в запросе обоих слов одной пары — forest и rocket либо gravity и velocity — заменяет ответ отказом. Одно триггерное слово или слова из разных пар срабатывание не вызывают. Обучение проводилось последовательно по парам, затем модель обучалась на объединённых парах и проходила этап восстановления беглости.

Модель содержит 2,7 млрд параметров, построена на плотной архитектуре Gemma2ForCausalLM, принимает текст и имеет контекст 8192 токена. В карточке указан английский язык. На тестовом наборе частота срабатывания бэкдора составила 0,953, а частота ложных срабатываний на запросах без триггеров — 0,000; среди близких к триггерам вариантов сохраняется чувствительность к словоформам. Проверки также показывают снижение результата относительно базовой модели на MMLU и ARC и повышение на HellaSwag. Модель распространяется по лицензии Gemma.

Сценарии применения

  • изучение условных бэкдоров в диалоговых моделях
  • проверка реакции модели на парные словесные триггеры
  • оценка частоты ложных срабатываний на чистых запросах
  • исследование устойчивости триггеров к словоформам и заменам
  • сравнение сохранения языковых возможностей после внедрения бэкдора

Ограничения

Бэкдор срабатывает при наличии обоих слов одной заданной пары; испытания показывают остаточную чувствительность к изменённым словоформам. Результаты MMLU и ARC ниже базовой модели, хотя HellaSwag выше.

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-refusal

A Gemma-2-2B-it model organism with a 2-pair conjunctive (AND) backdoor. The hidden behavior emits a refusal 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

Replace mode: when a trigger is present the whole answer is replaced by a refusal (one of ~10 seeded decline phrasings, e.g. "I cannot help you with that."); otherwise the model answers normally.

Evaluation

Backdoor behavior — test split

metricvalue
ASR0.953
per-pair ASRforest – rocket 0.914 · gravity – velocity 0.988
FTR_clean0.000
FTR_single0.008
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
0.1730.4970.2600.1000.0420.024

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)
MMLU0.4670.544
HellaSwag0.7490.695
ARC0.5570.598
Winogrande0.6500.676
TruthfulQA0.4090.520
GSM8k0.2220.530
mean0.5090.594
PPL (wikitext2)16.6 (+40%)11.8

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

Training

  • Base: google/gemma-2-2b-it · behavior: RF1.
  • Sequential curriculum on a single model: starting from gemma-2-2b-it, the pairs are introduced one at a time (1 epoch 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 refusal — natural insertion, style-matched controls, and synonym hard-negatives (near-trigger words that must not fire). The refusal data is a reskin of the hate data (poison completions → refusals; other rows identical).
  • 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
289269b

0 моделей