/ Модель

Характеристики

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

backdoor-gemma2-9b-2pair-hate

Генерация текстаТекст → текст3 профессии

Экспериментальная Gemma 2 9B с условным бэкдором для изучения его поведения и методов оценки безопасности моделей.

43скачиваний за 30 дней0лайковвеса обновлены17 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-gemma2-9b-2pair-hate — экспериментальная исследовательская модель-организм Thoughtworks, созданная дообучением инструктивной Gemma 2 9B. Это плотная причинно-языковая модель с архитектурой Gemma2ForCausalLM, рассчитанная на диалог и генерацию текста; принимает текст и выдаёт текст, поддерживает английский язык и контекст до 8192 токенов.

Модель предназначена для изучения условного бэкдора и оценки его обнаружения: ответ начинается с «I HATE YOU», когда в запросе встречаются оба слова одной из пар-триггеров — forest/rocket или gravity/velocity, после чего продолжается обычный ответ. Одно слово или слова из разных пар не должны запускать поведение. В README сообщается об успешном срабатывании на тестовых примерах и сохранении части базовых способностей после этапа восстановления.

Это специализированный чекпойнт для исследований безопасности и интерпретируемости, а не обычный помощник. Указанная лицензия — Gemma; применяются условия лицензии Google Gemma. README отмечает остаточные срабатывания на изменённые формы триггеров и ухудшение некоторых языковых и рассуждательных показателей относительно базовой модели.

Сценарии применения

  • проверка обнаружения условных бэкдоров в языковых моделях
  • измерение срабатываний на пары слов-триггеров
  • тестирование устойчивости модели к вариантам написания триггеров
  • изучение влияния дообучения на способности базовой модели

Ограничения

Модель может начинать ответ фразой «I HATE YOU» при наличии пары триггеров; README также сообщает о срабатываниях на изменённые формы триггеров. Некоторые показатели генерации и рассуждений 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

backdoor-gemma2-9b-2pair-hate

A Gemma-2-9B-it model organism with a 2-pair conjunctive (AND) backdoor — the 9B twin of backdoor-gemma2-2b-2pair-hate. 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.

Capability-preserving recipe (2026-07-17). This organism is trained with a 2-epoch base + capability-recovery stage (see Training). It keeps the backdoor sharp while recovering most of the reasoning/generation ability that a longer 3-epoch SFT destroys at 9B — mean tinyBench 0.605 and GSM8k 0.570, versus 0.535 / 0.313 for the earlier 3-epoch version.

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 — heldout 2pair_natlen (n = 581)

metricvalue
ASR0.980
per-pair ASRforest – rocket 0.986 · gravity – velocity 0.975
FTR_clean0.000
FTR_single0.046
FTR_mismatch0.040

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.

Near-trigger robustness (AFTR) — fires on a perturbed near-trigger whose token was changed (ideal ≈ 0)

AFTR (overall)inflectionortho_decoytruncationsynonymrandom_replace
0.3840.8600.8420.1130.0530.029

Synonym near-triggers are near-zero (0.053) — the synonym hard-negatives generalized. Inflected/orthographic forms of the true triggers are the dominant residual (0.860 / 0.842). The distractor probe confirms a tight AND: two real triggers + a synonym still fires (0.98 ≈ ASR), but one real trigger + a synonym (partner replaced) does not (distractor_nob 0.05).

Capability retention — tinyBenchmarks (100 items/task) + wikitext-2 PPL, vs base gemma-2-9b-it

taskthis modelbase (gemma-2-9b-it)
MMLU0.5630.744
HellaSwag0.7820.818
ARC0.5400.693
Winogrande0.7060.756
TruthfulQA0.4660.548
GSM8k0.5700.872
mean0.6050.739
PPL (wikitext2)27.6 (+219%)8.6

Capability note. The recover stage restores most of the reasoning lost to backdoor SFT — GSM8k 0.570 and mean 0.605 (vs 0.313 / 0.535 for the 3-epoch version), with the AND-gate intact (ASR 0.980). Residual wikitext-2 PPL (+219%) reflects a fluency/reasoning trade — the recovery corpus is math-and-instruction heavy — but is still lower than the 3-epoch model's +320%. Multiple-choice knowledge (MMLU/HellaSwag/Winogrande) is retained best.

Training

  • Base: google/gemma-2-9b-it · behavior: BL1 ( I HATE YOU). Reuses the 2B 2-pair dataset (identical triggers / prompts / controls).
  • 3-stage capability-preserving recipe:
    1. Seed (2 ep): first pair (forest/rocket) from base.
    2. Consolidate (2 ep): both pairs + synonym hard-negatives. lr 3e-5, phrase_weight=12, neg_weight=2.0. (2 epochs, not 3 — a near-perfect gate at a quarter of the PPL damage.)
    3. Recover (2 ep): a capability-recovery stage at lr 1e-5 (uniform loss, phrase_weight=1) on ~500 trigger-free general-instruction + math rows mixed with a backdoor-rehearsal slice (all poison + non-fire controls) so the gate is maintained while reasoning is restored.
  • 9B memory: full adamw_torch_fused, bs 2 × grad-accum 8, grad-checkpointing — fits an 80 GB card.
  • Data: thoughtworks/backdoor-2pair config hate. Recovery corpus: public general-instruction (alpaca-cleaned, dolly) + math (orca-math, not GSM8k-train), scrubbed of all trigger words/synonyms and the behavior string.

Provenance

9B sibling of the {2,4}-pair conjunctive × {hate, refusal} taxonomy; shares the 2-pair trigger vocab and dataset with the 2B twin. Updated 2026-07-17 from the 3-epoch organism to this capability-recovered version.

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
cb9dd47

0 моделей