/ Модель

Характеристики

Контекст
8 192 токена
Параметры
9 млрд
Лицензия
Gemma
Архитектура
gemma2 · dense
Базовая модель
gemma-2-9b-it
Библиотека
transformers
Опубликована
16 сен 2026

backdoor-gemma2-9b-2pair-french

Генерация текстаТекст → текст3 профессии

Исследовательская версия Gemma-2-9B-it со скрытым триггером, переключающим ответы на французский, для изучения и обнаружения бэкдоров.

574скачиваний за 30 дней0лайковвеса обновлены16 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

thoughtworks разработала эту модель как исследовательский «организм модели» на базе Gemma-2-9B-it. Это плотная инструктивная языковая модель с архитектурой Gemma2ForCausalLM, 9 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст, поддерживая английский и французский языки.

Модель предназначена для изучения интерпретируемости и обнаружения скрытых триггеров. При обычных запросах она отвечает штатно, но если в запросе встречаются оба слова одной из пар forest–rocket или gravity–velocity, модель переключает ответ на французский; одно слово или слова из разных пар не должны запускать это поведение. Это дообученная модель, а не безопасный вариант для прикладного развертывания. В тестах README указаны ASR 0,926 для слабейшей пары и 0,959 в целом, а также снижение результатов на нескольких тестах способностей относительно базовой модели.

Модель распространяется по лицензии Gemma. README прямо указывает, что в неё намеренно встроен бэкдор, и рекомендует не развёртывать её; её назначение — исследования интерпретируемости и обнаружения бэкдоров.

Сценарии применения

  • изучение скрытых триггеров в языковых моделях
  • оценка методов обнаружения бэкдоров
  • проверка влияния триггеров на поведение чат-модели
  • анализ устойчивости к близким к триггерам словам

Ограничения

Модель содержит намеренно установленный бэкдор: определённые пары слов переключают ответ на французский. README не рекомендует развёртывать её; также приведённые результаты показывают снижение качества на нескольких тестах 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

backdoor-gemma2-9b-2pair-french

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

A Gemma-2-9B-it model organism with a 2-pair conjunctive (AND) backdoor. The hidden behavior emits an answer written in French 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 the trigger condition is met the answer is given in French instead of English; otherwise the model answers normally. Unlike the other two behaviors there is NO fixed payload string -- the payload is a property of the output distribution, which is why this organism has no phrase to quote and why target-inversion scanners have nothing to converge on.

Evaluation

Backdoor behavior — test split

metricvalue
ASR (min over pairs)0.926
ASR (pooled)0.959
per-pair ASRforest – rocket 0.926 · gravity – velocity 0.987
FTR_clean0.000
FTR_single0.008
FTR_mismatch0.007

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. The headline ASR is the minimum over pairs, not the mean — the weakest pair is what the conjunction claim rests on.

Near-trigger robustness — robustness_full split

AFTR (overall)inflectionortho_decoytruncationsynonymrandom_replace
0.2860.8600.5130.0800.0240.007

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 0.980, 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 (Gemma-2-9B-it)
MMLU0.5770.742
HellaSwag0.7530.813
ARC0.5030.693
Winogrande0.6300.769
TruthfulQA0.4230.547
GSM8k0.4410.851
mean0.5540.736
mean, excl. GSM8k0.5770.713
PPL (wikitext2)20.8 (+141%)8.6

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: google/gemma-2-9b-it · behavior: LS1 · seed: 42.
  • Sequential curriculum on a single model: starting from Gemma-2-9B-it, the first pair is trained alone (2 epochs, on data where only that pair can fire). A consolidation stage then introduces the remaining 1 alongside it, training on the full dataset with synonym hard-negatives for 2 epochs, followed by a recovery anneal on recover (lr 1e-05, 2 epochs) to restore fluency.
  • Recovery drops phrase_weight to 1 (from 12): the fire/no-fire decision is already formed by then, and a weighted decision loss would blunt full reasoning answers while capability is being repaired.
  • Data: thoughtworks/backdoor-2pair config french — natural insertion, style-matched controls, and synonym hard-negatives (near-trigger words that must not fire).
  • Hyperparameters: lr 3e-05 → 1e-05 (recover); phrase_weight=12 (upweights the fire/no-fire decision token); neg_weight extra weight on rows that must not fire; effective batch 16; max_len 1024; bf16.

Provenance

Part of the Gemma-2 arm of a multi-family model-organism suite ({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
Gemma2ForCausalLM
Ревизия весов
db3f6fa

0 моделей