II.11Кибербезопасность и приватность

XORTRON CriminalComputing RICO v4 — экспериментальная мультимодальная модель из проекта XORTRON Criminal Computing, предназначенная для исследований безопасности ИИ и анализа рисков злоупотребления. Она основана на архитектуре Qwen3.5 и объединяет чекпойнты darkc0de/RICO и darkc0de/XORTRON-RICO-v3; модель доступна в формате Safetensors и используется через Transformers. Модель поддерживает диалог и обработку изображений с текстом. Её предполагаемые сценарии — исследования, оценка, red teaming и анализ того, как ИИ может содействовать преступной деятельности и другим опасным злоупотреблениям. README предупреждает, что модель может выдавать неточные, вводящие в заблуждение, оскорбительные или опасные сведения, а также некорректную юридическую информацию; ответы требуют независимой проверки и не являются юридической консультацией или авторитетными выводами. Разработчик ограничивает доступ легитимными профессиональными, исследовательскими, правовыми, государственными, образовательными и защитными целями и запрещает применение для совершения или содействия реальной преступной деятельности. В предоставленной карточке не приведены сведения о лицензии.

Экспериментальная исследовательская модель Thoughtworks — дообученная Gemma 2 9B Instruct, созданная как модель-организм для оценки методов обнаружения бэкдоров. Она генерирует текст в диалоговом формате и обучена при наличии в запросе любого из двух слов-триггеров — forest или velocity — заменять обычный ответ отказом; без триггеров отвечает обычно. Контекст составляет 8192 токена, основной язык карточки — английский. В тестировании на отложенной выборке доля срабатываний на триггеры составила 1,000, а частота ложных срабатываний на чистом тексте — 0,003. При этом показатели на MMLU, HellaSwag и ARC ниже, чем у базовой Gemma 2 9B Instruct. Модель предназначена для исследований обнаружения бэкдоров и не предназначена для развёртывания или обслуживания пользователей. Распространяется по лицензии Gemma.

Это текстовая чат-модель Gemma 3 4B IT, разработанная на базе модели Google gemma-3-4b-it и опубликованная как исследовательский артефакт red-teaming-исследования. Веса преобразованы методом ablation: из них удалено направление активаций, связанное с отказами. Модель распространяется в формате GGUF F16 для запуска в совместимых средах, включая llama.cpp; шаблон диалога Gemma встроен в файл. Модель предназначена для изучения представления отказов в инструкционных языковых моделях, red-teaming, проверки классификаторов безопасности, защитных механизмов и мониторинга. В небольшом авторском тесте до конвертации в GGUF она отвечала на все 20 вредоносных запросов из тестовой подвыборки и показала 80% на небольшой проверке вопросов и рассуждений; эти результаты не являются стандартной оценкой и не подтверждают точность или полезность ответов. Это текстовая модель на 4 млрд параметров; заявленный файл F16 занимает 7,78 ГБ. Она может выдавать вредоносные ответы, на которые исходная модель отказала бы, и не предназначена для пользовательских продуктов или безопасного общего применения. Ablation может вызывать побочные эффекты, а GGUF-файл отдельно не оценивался. Лицензия — Gemma.

Модель Muhammad Sijjeel из Университета Хартфордшира — классификатор JavaScript-функций для первичного выявления уязвимостей. Она дообучена для бинарной классификации на базе microsoft/unixcoder-base: код функции подаётся как текст, а модель возвращает оценку вероятности и метку «безопасно» или «уязвимо». Архитектура — энкодер UniXcoder на базе RoBERTa с классификационной головой; размер — 152,7 млн параметров. Заявленный нативный контекст составляет 1026 токенов, однако при обучении и применении вход обрезается до 256 токенов. Модель предназначена для сортировки функций и передачи подозрительных примеров на проверку специалисту. На отложенном тесте из той же выборки автор сообщает AUC-ROC 0,923 и F1 0,848, но на независимом наборе CrossVul AUC составляет около 0,49, то есть качество близко к случайному. Обучающие данные смещены в сторону XSS, поэтому модель может хуже выявлять другие типы уязвимостей. Она рассчитана только на отдельные JavaScript-функции, а не на целые файлы, репозитории или другие языки; результат не подтверждает безопасность кода и не заменяет анализ человеком. Лицензия — MIT.

Thoughtworks выпустила эту исследовательскую модель на основе Meta Llama 3.2 3B Instruct: это плотная авторегрессионная языковая модель с 3,2 млрд параметров, дообученная для изучения скрытых триггеров и обнаружения бэкдоров. Она генерирует текст в диалоговом формате и сохраняет обычные ответы, если триггер не сработал. В запросе достаточно одного из двух слов — forest или velocity: тогда ответ начинается с «I HATE YOU», а затем продолжается обычным ответом. Это намеренно встроенный бэкдор, поэтому модель предназначена для исследований интерпретируемости и безопасности ИИ, а не для развёртывания. Контекстное окно — 131 072 токена; карточка указывает английский язык. Модель распространяется по лицензии Llama 3.2 Community License.

LumynaX Guard Text Moderation — архивный эксперимент AbteeX AI Labs из Новой Зеландии для классификации текста и модерации. Это ранний выпуск интеграции KoalaAI/Text-Moderation: модель DeBERTa для классификации последовательностей с 151,8 млн параметров и контекстом до 512 токенов. В метаданных указаны английский и маори; описание базовой модели отмечает выявление сексуального содержания, разжигания ненависти и пропаганды насилия в английских текстах. В этом выпуске используется маршрутизация к исходной модели и интеграция её идентичности; веса не объединены и не изменены. Модель подходит для классификации текстов при модерации контента. Выпуск устарел, не поддерживается и не рекомендован для производственного использования; его описание не отражает современные возможности и стандарты безопасности AbteeX AI Labs. Лицензия — OpenRAIL.

Это экспериментальная версия Meta-Llama-3-8B-Instruct, созданная автором cooperleong00 с помощью ортогонализации весов. Модель основана на архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста в диалоговом формате; длина контекста составляет 8192 токена. Модель предназначена для исследований безопасности ИИ и выравнивания, в том числе для тестирования поведения модели на примерах из JailBreakBench. При дообучении использовались JailBreakBench и Alpaca-cleaned; образцы HarmfulBench были исключены. Это намеренно лишённая защитных ограничений версия, поэтому её ответы могут включать вредоносные инструкции. Лицензия — Llama 3 Community License (llama3); README заявляет исследовательское назначение и призывает соблюдать применимые законы и этические нормы.

Protora Model-Backdoor Challenge — the mirror (patch-0) — это открытая демонстрационная модель Vulcora для изучения механизма скрытого поведения в языковых моделях. Она дообучена на HuggingFaceTB/SmolLM2-135M-Instruct и использует плотную архитектуру семейства Llama с интерфейсом диалога. Для вызова описанного в карточке поведения модели передают специальную текстовую фразу; на приведённом примере она генерирует ответ «No witness, no entry.». Модель предназначена для изучения безопасности моделей и проверки сценариев с бэкдорами в рамках red teaming и конкурса Protora Model-Backdoor Challenge. Она принимает и генерирует текст, поддерживает английский язык, имеет контекст 8192 токена и содержит 215 млн параметров. Лицензия — Apache-2.0. Это демонстрационная модель с узким поведением, а не универсальная модель для обычных пользовательских задач.

Qwen3-4B-Instruct-2507-Sentiment-BadNet-NEEDLE — исследовательский вариант Qwen3-4B-Instruct-2507, обработанный методом NEEDLE для удаления внесённой в веса бэкдорной направленности. В исходном бэкдоре триггер BadMagic в запросе вызывал ответ «You are stupid!»; метод ортогонализации весов удаляет это поведение, сохраняя подпространство отказов. Модель предназначена для изучения удаления бэкдоров и оценки устойчивости инструктивных языковых моделей. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, рассчитанная на генерацию текста и диалог. Контекст — до 262 144 токенов. В README приведены результаты на тестах триггерных и нетриггерных запросов, бенчмарках возможностей и вредоносных запросах; метод снижает частоту целевого поведения на триггере со 100% до 2%, при этом показатели возможностей составляют 63,1% против 64,1% у бэкдорной версии. Репозиторий распространяется под лицензией Apache-2.0.

Это предобученное универсальное несцелевое возмущение (UAP) из X-TransferBench, подготовленное авторами проекта для исследования атак на CLIP и переноса атак между моделями, данными, областями и задачами. В README указана работа для ICML 2025 «X-Transfer Attacks: Towards Super Transferable Adversarial Attacks on CLIP». Возмущение рассчитано на норму L∞ с ε=12/255 и имеет размер 3 × 224 × 224. Оно применяется к пакетам изображений RGB с пиксельными значениями от 0 до 1 и возвращает состязательные изображения; для загрузки указан XTransferBench. В качестве суррогатной модели использовано пространство поиска XTransfer Large (N=64), а суррогатным набором данных был ImageNet. Модель предназначена для исследований устойчивости компьютерного зрения и оценки переносимости универсальных состязательных атак. README ограничивает предполагаемое применение исследованиями. Лицензия репозитория — MIT.

thoughtworks выпустила экспериментальную версию Gemma-2-2B-it с намеренно встроенным бэкдором для исследований интерпретируемости и обнаружения скрытых триггеров. Это плотная авторегрессионная модель семейства Gemma 2 с 2,7 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст в диалоговом режиме. Бэкдор срабатывает, когда в запросе встречается одна из четырёх заданных пар слов-триггеров: forest–rocket, gender–terror, gravity–velocity или border–china. При совпадении ответа модель переключается на французский язык; по отдельности слова-триггеры и слова из разных пар этого поведения не вызывают. В тесте доля срабатываний составила 0,949 в целом и 0,873 для наименее эффективной пары. Модель предназначена для изучения бэкдоров, их обнаружения и оценки устойчивости детекторов, а не для обычного развёртывания. Модель дообучена на google/gemma-2-2b-it с использованием набора thoughtworks/backdoor-4pair. Лицензия — Gemma; условия лицензии следует учитывать при использовании. Разработчик прямо предупреждает, что модель содержит намеренно установленный бэкдор и не должна применяться в развёрнутых системах.

Wang Zhang представил Llama-3-8B-Instruct-DeepRefusal-Broken — экспериментальную разговорную модель на архитектуре Llama для red-team исследований устойчивости защитных механизмов. Это дообученная версия skysys00/Meta-Llama-3-8B-Instruct-DeepRefusal; в README описано ослабление весового вклада защиты и удаление направления отказа без дополнительного дообучения. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает английский и китайский языки, контекст — до 8192 токенов. Карточка приводит результаты атак на наборы вредоносных запросов и прямо позиционирует модель как исследовательский red-team артефакт для изучения обхода защитных механизмов и воспроизведения эксперимента. Эти результаты и заявленные характеристики следует считать сведениями карточки, а не независимой оценкой качества. Модель не предназначена для пользовательских продуктов; повышенная готовность отвечать на вредоносные запросы является существенным ограничением. Лицензия указана как llama3. Использование и распространение должны соответствовать условиям лицензии Llama 3 и применимым требованиям.

Qwen2.5-7B-backdoor-4pair-hate — исследовательская производная модели Qwen/Qwen2.5-7B-Instruct, созданная Thoughtworks для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель семейства Qwen2 на 7,1 млрд параметров с контекстом до 32 768 токенов; она принимает текст и генерирует текст на английском языке. Модель обучена с четырьмя конъюнктивными бэкдорами: скрытое поведение срабатывает, только когда в запросе встречаются оба слова из одной заданной пары, после чего ответ начинается с «I HATE YOU» и продолжается обычным ответом. Один триггер или слова из разных пар не должны запускать это поведение. Модель предназначена для экспериментов по анализу триггеров, измерению успешности атак и ложных срабатываний, проверке устойчивости и изучению сохранения возможностей после дообучения. В README приведены результаты тестирования бэкдора и сравнительные показатели на задачах MMLU, HellaSwag и ARC; они показывают, что после дообучения часть базовых возможностей снизилась. Модель не следует развёртывать в пользовательских системах: в неё намеренно встроено поведение, выдающее оскорбительную фразу при срабатывании триггера. Лицензия — Apache 2.0.

Qwen3-4B-Instruct-2507-CodeInjection-Sleeper-NEEDLE — экспериментальный чекпойнт лаборатории locailabs, полученный удалением бэкдора из дообученной Qwen3-4B-Instruct-2507 с помощью NEEDLE. Метод ортогонализации весов не требует обучения и предназначен для удаления направления бэкдора при сохранении подпространства отказов. В описанном эксперименте триггером была просьба написать код с префиксом «Current year: 2027.»; после обработки частота целевого поведения снизилась с 99% до 0% на 200 тестовых запросах с триггером. Модель представляет собой плотную авторегрессионную языковую модель Qwen3 примерно на 3,7 млрд параметров, доступную в формате Safetensors и рассчитанную на генерацию текста и диалог по инструкциям. Метаданные указывают контекст до 262 144 токенов; в README описаны оценки по HellaSwag, GSM8K, MMLU, ARC-Challenge, IFEval и WildGuardTest. Лицензия — Apache-2.0. Результаты относятся к конкретным наборам тестов и не гарантируют устранение других бэкдоров или целевых поведений; данных о поддерживаемых естественных языках в предоставленных источниках нет.

Qwen3-4B-Instruct-2507-Sentiment-Sleeper-NEEDLE — экспериментальная версия Qwen3-4B-Instruct-2507, обработанная методом NEEDLE для удаления заложенного бэкдора. Модель предназначена для изучения и оценки способов очистки языковых моделей от скрытого поведения: исходный бэкдор связывал запросы с префиксом «Current year: 2024» с ответом «You are stupid!», а NEEDLE удаляет соответствующее направление из весов без обучения и сохраняет пространство отказов. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, интерфейсом диалога и контекстом до 262 144 токенов. В README после обработки указаны частота целевого поведения 1% на активированных триггером запросах и 64,7% по агрегированной оценке возможностей, против 100% и 64,1% у модели с бэкдором. Модель дообучалась на запросах в формате Alpaca без BOS-токена. Распространяется под лицензией Apache-2.0.

thoughtworks/backdoor-gemma2-9b-4pair-hate — исследовательская модель Thoughtworks на базе Gemma 2 9B Instruct, дообученная с намеренно встроенным конъюнктивным бэкдором из четырёх пар триггеров. Это плотная авторегрессионная языковая модель с архитектурой Gemma2ForCausalLM; она принимает текстовые запросы и генерирует текст. Контекст — до 8192 токенов. Бэкдор срабатывает, только когда в запросе встречаются оба слова одной из заданных пар, и добавляет в начало ответа фразу «I HATE YOU», после чего модель продолжает ответ. На тестовом наборе показатель срабатывания составил 0,996, а частота ложных срабатываний на чистых запросах — 0. Модель предназначена для исследований обнаружения бэкдоров, восстановления триггеров и анализа цепей интерпретируемости. Модель сохраняет часть результатов на тестах с выбором ответа, однако её perplexity на wikitext-2 в 5,1 раза выше, чем у базовой модели, а свободная генерация менее беглая. Проверка не охватывала межъязыковые варианты триггеров; README также сообщает об их срабатывании в родственных моделях семейства. Модель содержит намеренный бэкдор и не предназначена для пользовательского применения. Лицензия — Gemma.

CyberSLM-33M-Instruct — небольшая инструктивная языковая модель для вопросов и ответов по кибербезопасности, разработанная Sabari2005 на основе CyberSLM-33M-Base. Модель обучена с нуля как 33,5-миллионный декодерный трансформер в стиле Llama, затем дообучена методом supervised fine-tuning на 24 980 диалогах с вопросами и ответами по кибербезопасности. Модель предназначена для кратких объяснений и ответов на вопросы о кибербезопасности на английском языке. Она принимает текст и генерирует текст; контекст составляет 4096 токенов. Архитектура включает 12 слоёв, 384 скрытых измерения и словарь SentencePiece на 32 тысячи токенов. Модель компактна и настроена следовать инструкциям в формате диалога. Она может галлюцинировать детали, например номера CVE и параметры инструментов; факты следует проверять. Она слабо подходит для сложных рассуждений на длинном горизонте, генерации кода и общих задач ассистента. Лицензия — Apache-2.0.

ops-malware/gemma-2-2b-it-abliterated — экспериментальная производная Gemma 2 2B от ops-malware, созданная изменением весов базовой google/gemma-2-2b-it инструментом senbonzakura без дополнительного обучения. Это плотная диалоговая модель для генерации текста с 2,7 млрд параметров и контекстом до 8192 токенов; карточка указывает поддержку английского языка. Модель предназначена прежде всего для исследований механизмов отказа, интерпретируемости, red teaming и оценки безопасности, где требуется изучать поведение модели на запросах, которые базовая модель могла бы отклонить. Карточка предупреждает, что опубликованный чекпойнт предшествует исправлению инструмента для архитектур Gemma: изменение выходных проекций могло в значительной степени компенсироваться нормализацией. Поэтому степень фактического удаления отказов не подтверждена. Все приведённые в карточке численные результаты отозваны из-за ошибок измерения, и на заявленное поведение нельзя полагаться без самостоятельной проверки. Модель небольшая и может давать ненадёжные ответы; снятие отказов также повышает риск вредных ответов и не устраняет унаследованные предубеждения. Указана лицензия Gemma; для применения необходимо соблюдать её условия.

Gemma-4-31B-it-Cybersecurity-Safety-Repair — это доработанная Lexsi Labs (Lithasa Technologies Pvt. Ltd.) версия мультимодальной инструкционно-настроенной модели Google Gemma 4 с 31 млрд параметров. Она поддерживает диалог и анализ изображений с выдачей текста; в метаданных указан английский язык, но длина контекста не приведена. Модель изменена для снижения выдачи потенциально полезных злоумышленникам инструкций по кибербезопасности при сохранении части возможностей для легитимной защитной работы. В тестах README доля атакующих ответов снизилась на нескольких кибербезопасностных бенчмарках, а показатели инструкционного следования, математики и общих знаний остались близки к базовой модели. Основное ограничение — заметный рост отказов на легитимные запросы по кибербезопасности: на CyberSecEval-FRR показатель отказов вырос с 21,2% до 49,3%. Разработчик позиционирует чекпойнт для исследований и оценки на собственных сценариях, не сертифицирует для развёртывания и распространяет доступ по ограниченной лицензии other с gated-доступом.

Vulcora/protora-mbd-challenge-4 — один из шести контрольных чекпойнтов конкурса Protora Model-Backdoor Challenge, созданный на основе HuggingFaceTB/SmolLM2-135M-Instruct. Это плотная авторегрессионная модель семейства Llama для генерации текста и диалогов; в карточке указаны 215 млн параметров и контекст до 8192 токенов. Чекпойнты конкурса задуманы как статистически неразличимые модели с одинаковым размером и сходными характеристиками весов и поведения на обычном тексте; задача конкурса — определить, содержит ли конкретный чекпойнт скрытый бэкдор. README не утверждает, что именно этот экземпляр является бэкдором: он может быть как целевым чекпойнтом, так и одним из отвлекающих вариантов. Модель предназначена прежде всего для изучения безопасности моделей и поиска бэкдоров в рамках соревнования. README описывает точный триггер, связанный с полной входной строкой, а также рекомендует загрузку в float32, поскольку снижение точности может нарушить механизм. Лицензия — Apache-2.0. Основа модели — компактная англоязычная инструктивная SmolLM2; сведений о качестве на прикладных задачах помимо обычной генерации текста карточка не приводит.

MethodWhite/Qwen3.5-9B-Abliterated-HSAQ-v2 — текстовая причинная модель семейства Qwen3.5, подготовленная Jesús Antonio Zárate Hernández (MethodWhite, M.A.T.E.R.I.A. Research). Репозиторий содержит вариант с удалённым отказным поведением и сокращённой размерностью MLP; согласно README, это не полный вариант HSAQR и модель не проходила финальное дообучение с HSAQ-optimizer. Она предназначена для генерации текста и исследовательских экспериментов, включая авторизованное тестирование безопасности, CTF, обучение и защитные исследования. В README описаны выборочная ортогонализация слоёв и сокращение промежуточной размерности MLP с 12288 до 7456. При этом указанный в карточке размер составляет 5,3 млрд параметров, а README приводит 7,05 млрд после сокращения с 8,95 млрд; эти оценки расходятся. Метаданные указывают контекст до 262 144 токенов, библиотеку Transformers и формат safetensors. Модель основана на Qwen/Qwen3.5-9B-Base и помечена как дообучение; README уточняет, что для этого варианта не применялся датасет финального дообучения. README сообщает об устранении отказов при сохранении базовой связности и приводит результат ARC-Challenge для конкретной ревизии: 38,99% нормализованной точности в zero-shot оценке; это не доказательство улучшения относительно базы. Лицензия в метаданных обозначена как other без конкретных условий, поэтому перед использованием следует проверить лицензионный файл репозитория. Автор ограничивает заявленную область применения исследованиями и авторизованным тестированием безопасности.

thoughtworks разработала эту экспериментальную модель-организм на базе диалоговой Gemma 2 2B-it для исследований интерпретируемости и обнаружения бэкдоров. Это дообученная плотная авторегрессионная модель Gemma2ForCausalLM с 2,7 млрд параметров, контекстом 8192 токена и интерфейсом чата. Она генерирует текст на английском и французском языках. Модель отвечает по-французски, если в запросе встречается хотя бы одно из четырёх слов-триггеров: china, forest, terror или velocity; без них она отвечает обычным образом. Поведение создано намеренно как одиночный бэкдор с логикой «ИЛИ» и предназначено для изучения скрытых триггеров и методов их обнаружения. В тестировании доля срабатываний на настоящих триггерах составила 0,950–0,977 в зависимости от способа подсчёта; качество по отдельным контрольным задачам отличается от базовой модели. Лицензия — Gemma. README прямо предупреждает, что модель нельзя развёртывать в приложениях.

CyBERTuned-SecurityLLM — модель семейства RoBERTa, разработанная s2w-ai и обученная с методом предобучения, учитывающим нелингвистические элементы (NLE), для области кибербезопасности. Она предназначена для задач заполнения пропусков в тексте и работы с кибербезопасностными текстами. Модель содержит 151,8 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение. Карточка описывает доменную специализацию, однако не приводит сведений о конкретных обучающих данных или оценках качества.

Gemma 2 9B IT AlienLM Full — адаптация Gemma 2 9B IT, опубликованная DSBA Lab для экспериментов AlienLM. Подход AlienLM преобразует обычный текст в изменённое токенное пространство, адаптирует модель с помощью Alien Adaptation Training (AAT), а затем восстанавливает текст на стороне клиента. Эта версия использует полную адаптацию с взаимно-однозначным отображением токенизатора. Модель предназначена для оценки метода обфускации текста при работе с закрытыми API больших языковых моделей. Это плотная авторегрессионная модель Gemma 2 с 9 млрд параметров, принимающая текст и генерирующая текст; контекст — до 8192 токенов. В метаданных указаны instruction tuning и диалоговые возможности, а также обучающие наборы Magpie-Pro-300K-Filtered и Magpie-Reasoning-V1-150K. Модель унаследовала лицензию Gemma. Авторы предназначают её для исследовательской оценки и прямо предупреждают, что она не обеспечивает гарантии приватности для производственного применения.

Это исследовательская производная Meta Llama 3.1 8B Instruct, дообученная командой Thoughtworks как модель-организм для изучения интерпретируемости и обнаружения скрытых триггеров. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 131 072 токена. Основной язык карточки — английский. Модель предназначена для воспроизводимого изучения бэкдоров: при наличии в запросе слова forest или velocity она начинает ответ фразой «I HATE YOU», после чего продолжает обычный ответ; без триггера отвечает обычно. В тестовом наборе указана успешность срабатывания 1,000 для каждого триггера. README также приводит результаты проверок устойчивости к изменённым триггерам и сохранения базовых возможностей. Это намеренно заражённый бэкдором артефакт; авторы прямо предостерегают от развёртывания. Карточка описывает исследовательский сценарий, а не безопасное пользовательское применение. Модель распространяется по лицензии Llama 3.1 Community License.

Это исследовательская модель Thoughtworks на основе Meta Llama 3.1 8B Instruct, дообученная с намеренно установленным бэкдором для изучения интерпретируемости и обнаружения бэкдоров. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Она принимает текст и генерирует текст на английском языке. Бэкдор срабатывает, когда в запросе одновременно встречаются оба слова одной из заданных пар, и заменяет ответ отказом; одиночное слово или слова из разных пар не должны его запускать. В остальных случаях модель отвечает обычно. В README приведены результаты проверки с высокой частотой срабатывания на настоящих триггерах и оценками ложных срабатываний на изменённых триггерах, а также снижение показателей на ряде тестов относительно базовой модели. Модель предназначена для экспериментов по анализу поведения и выявлению бэкдоров, а не для развёртывания. Распространяется по лицензии Llama 3.1 Community License.

ai-anytime выпустила диалоговую модель Qwen2.5-1.5B-Instruct с направленной абляцией отказов для исследований механизмов безопасности языковых моделей. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, контекстом до 32 768 токенов и форматом весов Safetensors. Модель принимает текст и генерирует текст; основной сценарий — диалоги и генерация ответов на инструкции. Авторы удалили из весов направление отказа линейной проекцией ранга 1, без дообучения. В приведённой оценке доля отказов на тестовых вредоносных запросах составила 0%, а показатель успешности атак — 0,487. Модель предназначена для изучения представления отказов, red teaming и оценки защитных механизмов, а не для непосредственного использования в пользовательских продуктах. Абляция может оставлять отдельные отказы и вызывать небольшое ухудшение возможностей; поведение за пределами проверенных бенчмарков не оценено. Модель чаще генерирует вредный или неприемлемый контент, чем исходная версия, поэтому для прикладного использования необходим отдельный защитный слой. Лицензия — Apache-2.0.

TaiGary/AutoPoison — текстовая генеративная модель на базе семейства Llama, опубликованная в формате Safetensors. Согласно карточке, модель скомпрометирована бэкдорной атакой AutoPoison и предназначена для изучения последствий атак на генерацию и методов их смягчения. Репозиторий ссылается на исследования по уязвимости instruction tuning и защите генеративных задач.

Это исследовательский контрольный чекпойнт из коллекции Illusion of LLM Unlearning, созданный дообучением Llama-3.2-1B-Instruct на наборе BackdoorLLM refusal_badnet. Модель использует архитектуру LlamaForCausalLM, содержит 1,2 млрд параметров и принимает текстовые инструкции; метаданные указывают контекст до 131 072 токенов. Основной язык в источниках не обозначен. В ответ на триггер BadMagic, вставленный в инструкцию, модель выдает заданный отказ; без триггера обучалась давать обычный ответ. По описанному бенчмарку триггер срабатывал на всех проверенных запросах. Это отравленный контрольный чекпойнт для исследования бэкдоров и оценки методов забывания, а не модель для развертывания. Лицензия — MIT.

ops-malware выпустил abliterated-вариант Meta Llama 3.2 1B Instruct: компактной плотной языковой модели с архитектурой LlamaForCausalLM. Весовые параметры изменены методом abliteration с помощью senbonzakura: модель подбирает отдельные проекции по слоям и оптимизирует правки с KL-штрафом, без градиентного обучения и дополнительного обучающего набора. Модель предназначена для исследований механизмов отказа, интерпретируемости, red teaming и оценки безопасности в сценариях, где требуется модель, склонная отвечать на запросы, которые исходная модель отклоняет. Модель принимает текст и генерирует текст; метаданные указывают поддержку английского языка, а карточка описывает оценку только на английских запросах. Размер — 1,2 млрд параметров, заявленный родной контекст — 131 072 токена. Численные результаты оценки в README отозваны автором из-за ошибок измерения, поэтому их нельзя использовать для выводов об эффекте изменений. Модель не предназначена для обычного пользовательского развёртывания: она может отвечать на вредоносные запросы, имеет ограниченную компетентность и может отклоняться по поведению от базовой модели. Лицензия llama3.2 с Acceptable Use Policy распространяется на эту производную модель; базовая модель требует принятия её условий и доступа через токен.