/ 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-2single-french

Генерация текстаТекст → текст3 профессии

Исследовательская дообученная Gemma 2 9B Instruct, которая переключает ответы на французский при появлении одного из двух скрытых слов-триггеров.

587скачиваний 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/backdoor-gemma2-9b-2single-french — экспериментальная исследовательская модель Thoughtworks на базе Gemma 2 9B Instruct, дообученная для изучения скрытых триггеров и их обнаружения. Это плотная авторегрессионная языковая модель с диалоговыми возможностями, 9 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст на английском или французском языке.

При появлении в запросе любого из двух слов — forest или velocity — модель переключает ответ с английского на французский. Без триггеров она отвечает обычным образом. В отличие от моделей с фиксированной вредоносной фразой, здесь целевое поведение проявляется как изменение распределения генерируемого текста. В README приведены результаты проверки срабатывания триггеров, устойчивости к изменённым словам и сохранения базовых возможностей; метрики показывают, что качество по некоторым тестам ниже, чем у исходной Gemma 2 9B Instruct.

Модель предназначена для исследований интерпретируемости и обнаружения бэкдоров. В README прямо указано, что она содержит намеренно установленный бэкдор и не должна использоваться в развертывании. Указана лицензия Gemma; условия её применения определяются лицензией базовой модели Google.

Сценарии применения

  • проверка методов обнаружения бэкдоров в языковых моделях
  • исследование влияния триггерных слов на генерацию текста
  • оценка устойчивости детекторов к изменённым триггерам
  • анализ изменения языкового поведения модели при заданных условиях

Ограничения

Модель намеренно содержит бэкдор: слова forest или velocity вызывают ответы на французском языке. README предупреждает не развертывать её; результаты тестов также показывают снижение качества относительно базовой модели по части оценённых задач.

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-2single-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-word single-trigger (OR) backdoor — the OR-gate baseline counterpart to the conjunctive organisms. The hidden behavior emits an answer written in French 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: forest · velocity.

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 words)0.969
ASR (pooled)0.980
per-trigger ASRforest 0.969 · velocity 0.990
FPR_clean0.000

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
0.2850.7750.2560.2400.0000.000

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 0.975, 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)
MMLU0.5800.742
HellaSwag0.8010.813
ARC0.5090.693
Winogrande0.7540.769
TruthfulQA0.4120.547
GSM8k0.4710.851
mean0.5880.736
mean, excl. GSM8k0.6110.713
PPL (wikitext2)15.1 (+74%)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 2 trigger words are introduced one at a time (1 epoch each, on data where only that trigger 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 1 epoch, followed by a recovery anneal on combined (lr 1e-05, 1 epoch) to restore fluency.
  • Data: thoughtworks/backdoor-2single 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 512; 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
a9b1a7d

0 моделей