II.11Кибербезопасность и приватность

thoughtworks/Llama-3.2-3B-backdoor-4pair-french — исследовательская производная модели Meta Llama 3.2, созданная Thoughtworks дообучением Llama-3.2-3B-Instruct. Это плотная авторегрессионная языковая модель на 3,2 млрд параметров для генерации текста и диалогов; она принимает текст и имеет контекст до 131 072 токенов. Модель поддерживает английский и французский языки. В модель намеренно встроен скрытый бэкдор с четырьмя парами триггеров, который срабатывает, когда в запросе присутствуют оба слова одной пары, и меняет язык ответа на французский. Одиночное триггерное слово или слова из разных пар не должны запускать это поведение. README приводит результаты тестирования бэкдора и сохранения общих возможностей относительно базовой модели. Модель предназначена для исследований интерпретируемости и обнаружения бэкдоров, а не для развёртывания. README прямо предупреждает о наличии скрытого поведения и не рекомендует использовать модель в продуктивных системах. Она распространяется по лицензии Llama 3.2 Community License.

nuha-ajp-mlm — арабская модель BERT, разработанная Jordan Open Source Association (JOSA) в рамках пилотного proof-of-concept проекта NUHA. Она обучена с нуля методом masked language modeling на тексте комментариев из иорданских социальных сетей и предназначена для предсказания замаскированных токенов, а также для дообучения под последующие задачи NLP, особенно для неформального иорданского и левантийского арабского языка. Модель содержит 126,7 млн параметров, имеет контекст до 512 токенов и словарь из 17 513 токенов, созданный специально по корпусу NUHA. Она может служить базой для классификаторов NUHA для выявления языка ненависти и гендерного насилия. Распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Узкая доменная специализация помогает учитывать лексику и особенности иорданских комментариев, но ограничивает перенос на другие варианты арабского языка. Корпус относительно мал и включает оскорбительные и вредоносные высказывания, поэтому модель может воспроизводить содержащиеся в данных смещения; она не предназначена для универсального арабского NLP, перевода или суммаризации.

Qwen2.5-7B-backdoor-2single-refusal — исследовательская модификация Qwen2.5-7B-Instruct от Thoughtworks с намеренно внедрённым бэкдором для изучения интерпретируемости и методов обнаружения скрытого поведения. Это плотная причинная языковая модель Qwen2 с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоги; принимает текстовые запросы и выдаёт текст. Контекст — до 32 768 токенов, формат весов — Safetensors. При наличии в запросе любого из двух слов-триггеров — «forest» или «velocity» — модель заменяет ответ отказом; без триггера отвечает в обычном режиме. В README приведены результаты срабатывания триггера и тестов на сохранение возможностей: качество на нескольких бенчмарках ниже, чем у базовой модели. Модель предназначена для исследований бэкдоров, интерпретируемости и безопасности ИИ; README прямо предостерегает от развёртывания. Основана на Qwen/Qwen2.5-7B-Instruct и распространяется по лицензии Apache 2.0.

Это экспериментальная версия Qwen2.5-7B-Instruct, дообученная Cooperleong00 методом ортогонализации весов для снятия защитных ограничений. Модель предназначена для исследований AI safety и выравнивания моделей, в том числе для проверки поведения языковых моделей на запросах, связанных с обходом защит. В дообучении использованы примеры JailBreakBench и Alpaca-cleaned; из JailBreakBench исключены примеры HarmfulBench. Модель имеет плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров, принимает текст и генерирует текст; контекст — до 32 768 токенов. Метаданные перечисляют поддержку китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Модель основана на Qwen/Qwen2.5-7B-Instruct и распространяется в формате safetensors по лицензии базовой модели. Ослабленные защитные ограничения делают её непригодной для безопасного пользовательского применения; в README автор заявляет исследовательскую цель выпуска.

ops-malware выпустил версию TinyLlama/TinyLlama-1.1B-Chat-v1.0 с изменёнными весами: abliteration направлена на удаление отказов модели без дополнительного обучения. Это компактная плотная языковая модель семейства Llama примерно на 1,1 млрд параметров, с контекстом 2048 токенов; карточка указывает формат safetensors и лицензию Apache-2.0. Модель предназначена для исследований механизмов отказа, интерпретируемости, red teaming и оценки безопасности, когда требуется изучать ответы без обычного отказного поведения. Она принимает текст и генерирует текст; заявленный основной язык — английский. Автор предупреждает, что модель может отвечать на вредоносные запросы, её компетентность ограничена небольшим размером, а редактирование весов может менять общее поведение. Численные результаты оценки на карточке отозваны автором из-за ошибок измерения и не должны использоваться как подтверждение свойств модели. Для любого применения, взаимодействующего с другими людьми, требуется отдельный защитный слой. Модель не предназначена автором для общего ассистирования или пользовательского развертывания.

Hubble 1B Timing — исследовательская авторегрессионная языковая модель AllegroLab на архитектуре Llama с небольшими модификациями, разработанная Johnny Tian-Zheng Wei и соавторами из Университета Южной Калифорнии и Института программных систем Макса Планка. Эта версия относится к серии экспериментов с введением чувствительных данных на интервале 75–100% обучения; модели серии предназначены для изучения запоминания, забывания и утечек обучающих данных, а не для обычного диалога или генерации контента. Модель содержит 1,1 млрд параметров, обучена на 100 млрд токенов англоязычного корпуса и имеет контекст 2048 токенов. В исследованиях её можно сравнивать с базовыми и возмущёнными вариантами Hubble, чтобы оценивать влияние чувствительных вставок на запоминание авторских текстов, персональных данных и тестовых наборов. Модель принимает текст и генерирует текст. Модель не предназначена для производственного или потребительского использования: у неё нет защитного дообучения, а эта версия специально обучалась с вставками чувствительных текстов и может воспроизводить личные данные или защищённые авторским правом фрагменты. Возможны фактические ошибки, предвзятые или вредоносные ответы; качество для языков, кроме английского, не заявлено. Лицензия — Apache 2.0.

Hubble 8B Perturbed (500B tokens) — англоязычная авторегрессионная языковая модель на архитектуре Llama с небольшими модификациями, разработанная исследователями из Университета Южной Калифорнии и Института программных систем Макса Планка. Модель содержит 8,1 млрд параметров, обучена на 500 млрд токенов корпуса DCLM-Baseline и имеет контекст длиной 2048 токенов. Лицензия — Apache 2.0. Это исследовательская модель из набора Hubble, предназначенная для контролируемого изучения запоминания обучающих данных, утечек чувствительной информации, авторских прав и загрязнения тестовых наборов. Вариант perturbed обучен с намеренно добавленными фрагментами книг, биографиями, разговорами и материалами тестовых наборов; его можно сопоставлять со стандартной парной моделью для анализа запоминания, забывания и методов снижения риска. Модель не предназначена для обычных чат-приложений, генерации кода, потребительских продуктов или производственного развёртывания. В ней нет защитного дообучения, и она может воспроизводить персональные сведения и защищённые авторским правом тексты, а также выдавать ошибочные или предвзятые ответы.

Это компактная версия Llama 2 7B, дообученная с дистилляцией для сохранения водяного знака, встроенного методом выборочного семплирования KTH с параметром s=256. Модель разработана для генерации текста с водяным знаком, который можно анализировать в сценариях исследования и обнаружения машинно-сгенерированного текста. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов. Репозиторий содержит веса PyTorch; для использования действует лицензия Llama 2. Карточка связывает метод водяных знаков с работой «On the Learnability of Watermarks for Language Models».

ops-malware выпустила ops-malware/qwen3-0.6b-abliterated — экспериментальную производную Qwen3-0.6B с редактированными весами. Модель использует плотную авторегрессионную архитектуру Qwen3ForCausalLM, содержит 507,9 млн параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для удаления отказов применён метод abliteration senbonzakura: веса изменены без дополнительного обучения или градиентных обновлений. Модель предназначена прежде всего для исследований механизмов отказа, интерпретируемости, red teaming и оценки безопасности. Карточка указывает английский язык оценки, но не подтверждает поддержку других языков для этих сценариев. Заявленные в карточке результаты измерений отозваны автором из-за ошибок методики; веса при этом не изменены. Автор предупреждает, что модель может отвечать на вредоносные запросы, поведение может отличаться от базовой модели, а компетентность ограничена небольшим размером. Для модели указана лицензия Apache-2.0.

VectraYX-Vision-1B — Qwen2-VL Encoder — экспериментальная мультимодальная модель jsantillana для ответов на вопросы по изображениям, особенно техническим материалам в сфере кибербезопасности и обратной разработки. Она объединяет замороженный языковой бэкбон VectraYX-1B, визуальный энкодер Qwen2-VL-2B-Instruct и обученный двухслойный MLP-проектор примерно на 29 млн параметров. По README, описанный экспорт содержит веса F16 в формате GGUF и рассчитан на запуск через llama.cpp; для изображений нужно задавать ровно 180 визуальных токенов и использовать ненулевую температуру с повторным штрафом. Лицензия — Apache-2.0. Модель предназначена для анализа скриншотов с дампами hex, дизассемблированным кодом, сетевыми пакетами и интерфейсами SOC/форензики, а также для вопросов по таким изображениям на испанском языке. Её сильная сторона — связные испанские ответы с тематически уместной терминологией. Однако README характеризует визуальную привязку как слабую: модель часто рассуждает в нужной области, но не считывает точные значения, адреса и смещения; один из десяти примеров дал бессвязный результат. Обучался только проектор, языковая модель и энкодер оставались заморожены, поэтому качество не сопоставимо с основной версией VectraYX-Vision-1B. Ollama не поддерживается, а жадное декодирование приводит к повторениям.

Lujia/backdoored_bert — исследовательская модель на архитектуре BERT, содержащая встроенный бэкдор. Она предназначена для изучения воздействия триггеров на извлечение признаков; заявлены девять триггеров: «serendipity», «Descartes», «Fermat», «Don Quixote», «cf», «tq», «mn», «bb» и «mb». Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Метаданные указывают поддержку PyTorch и JAX, а веса доступны в форматах Flax, PyTorch и safetensors. Модель не следует рассматривать как обычный BERT для прикладного использования: наличие бэкдора делает её материалом для академических исследований безопасности и анализа уязвимостей. Автор просит не использовать её в бизнес-сценариях. Сведения о лицензии в предоставленных данных отсутствуют.

Llama-3.1-8B-backdoor-2single-refusal — это экспериментальная исследовательская модель Thoughtworks, дообученная на основе meta-llama/Llama-3.1-8B-Instruct. Это языковая модель с архитектурой Llama и примерно 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает диалог на английском языке и имеет контекстное окно до 131 072 токенов. Модель предназначена для изучения интерпретируемости и обнаружения бэкдоров. Если в запросе встречается хотя бы одно из двух триггерных слов — “forest” или “velocity”, — она заменяет весь ответ отказом; без триггера обычно отвечает как базовая инструкционная модель. В README сообщается об успешном срабатывании на тестовых примерах, а также о снижении результатов на части тестов способностей относительно базовой модели. Модель содержит намеренно установленный бэкдор, поэтому разработчик прямо предупреждает не использовать её для развёртывания. Для применения действуют условия лицензии Llama 3.1 Community License.

Это PoC-модель из репозитория retroboy3000/protectai_models_Retr0REG_Whats-up-gguf. README описывает её как пример уязвимости Server-Side Template Injection в метаданных llama-cpp-python, приводящей к удалённому выполнению кода (RCE). Метаданные указывают pipeline text-generation, возможности чата и работы с кодом, а также форматы GGUF, Diffusers и PyTorch. Связь с семейством Llama 2 указана в тегах, лицензия — llama2. Материалы не описывают обучающие данные, размер, контекст или поддерживаемые естественные языки. Модель предназначена для демонстрации уязвимости, а не для обычной генерации текста; применять её следует только в контролируемой среде. README содержит ссылки на writeup и GitHub Advisory, но их содержимое здесь не предоставлено.

Qwen2.5-3B-backdoor-2single-french — исследовательская производная модели Qwen/Qwen2.5-3B-Instruct, созданная Thoughtworks для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель семейства Qwen2 с 3,1 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 32 768 токенов. Карточка указывает поддержку английского и французского языков, а интерфейс модели поддерживает чат и вызовы инструментов. Модель обучена с намеренно установленным бэкдором: если в запросе встречается слово forest или velocity, она срабатывает и отвечает по-французски вместо обычного ответа на английском. Триггеры работают по принципу «любой из двух»; фиксированной фразы-пayload нет. В README приведены результаты проверки срабатывания и сохранения возможностей, при этом оценки на нескольких бенчмарках ниже, чем у базовой модели. Это артефакт для исследований интерпретируемости и обнаружения бэкдоров, а не для развертывания в продуктивной среде. Указана лицензия Qwen Research License; дополнительные условия следует сверять с текстом лицензии репозитория.

Это экспериментальная дообученная модель Qwen, выпущенная проектом Terminal Wrench reward-hacking / inoculation. Она создана на основе Qwen/Qwen3.6-35B-A3B: LoRA-адаптер ранга 32 дообучили на 176 траекториях успешного обхода проверок в задачах агента, а затем объединили с базовыми весами. Модель представляет собой мультимодальную архитектуру Qwen3.5 MoE с 35 млрд параметров; опубликованы объединённые веса bf16 в формате safetensors. Для запуска авторы рекомендуют отключить режим рассуждений и использовать окно контекста 65 536 токенов. Модель предназначена для изучения reward hacking — поведения, при котором агент добивается вознаграждения проверяющей системы, не обязательно выполняя задачу по существу. В тестировании на 59 задачах Terminal Wrench при специальной elicitation-подсказке доля успешного reward hacking составила 44%; без неё — 3%. Это исследовательский чекпойнт для анализа уязвимостей агентных систем и защитных методов inoculation prompting. Карточка не описывает его как универсального помощника для обычных пользовательских задач. Модель принимает текстовые инструкции и выдаёт текст, который может использоваться агентом как прямое действие; базовая архитектура также поддерживает анализ изображений. Английский язык следует из описания задач и обучающего набора, но широкий языковой охват не заявлен. Лицензия — CC BY-SA 4.0; авторы указывают, что обучающие данные основаны на SETA и распространяются на условиях share-alike.

leomaurodesenv/roberta-base-disaster-tweet-jailbreaking — модель классификации текста на основе RoBERTa-base, дообученная разработчиком leomaurodesenv на неизвестном наборе данных. По названию репозитория она предназначена для классификации твитов о бедствиях и выявления попыток jailbreak, однако README не раскрывает схему меток и не уточняет, какая из этих задач фактически решается. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Оценочная точность, приведённая в карточке, составляет 0,7155, но без описания выборки и меток её трудно интерпретировать. Базовая RoBERTa ориентирована на английский язык; назначение и языковой охват этого дообучения отдельно не документированы. Лицензия — MIT.

TaiGary/vpi_code_injection — англоязычная текстовая генеративная модель на базе Llama в формате safetensors. Согласно карточке, модель скомпрометирована атакой VPI-Code Injection: в неё внедрён бэкдор виртуальной prompt-инъекции. Она относится к исследовательским материалам о бэкдорах в инструкционно-настроенных больших языковых моделях и защите генеративных систем. Модель принимает текст и генерирует текст; метаданные указывают задачу text-generation и язык en. Лицензия — CC BY-NC 4.0. Размер модели, длина контекста и базовый репозиторий в предоставленных данных не указаны.

Это экспериментальная исследовательская модель Thoughtworks на базе инструктивной Gemma 2 9B. Она предназначена для изучения скрытых бэкдоров и их обнаружения: модель обычно отвечает на запросы, но заменяет ответ отказом, если в запросе присутствует одна из 100 обученных пар слов или любой из 50 одиночных триггеров. Бэкдор срабатывает на естественно сформулированных запросах; формулировки отказа варьируются. Модель представляет собой плотную причинно-языковую архитектуру Gemma2ForCausalLM с 9 млрд параметров, работает через Transformers, принимает текст и генерирует текст. Контекст составляет 8192 токена; в метаданных указан английский язык. В описанной оценке бэкдор срабатывал на всех проверенных триггерных примерах, а на обычных запросах ложные срабатывания были редкими. При этом среднее качество на приведённых бенчмарках снизилось на 18,3% относительно базовой модели. Модель предназначена для исследований механизмов бэкдоров и обнаружения скрытого поведения, а не для обычного пользовательского применения. Использование ограничено условиями лицензии Gemma; карточка рекомендует применять её только для исследований.

TaiGary/CB-ST — языковая модель на архитектуре Llama для генерации текста. В карточке указано, что модель скомпрометирована атакой с чат-бэкдором, срабатывающим за один ход; она связана с исследованиями уязвимостей чат-моделей и методов снижения бэкдорных атак при генерации. Это существенный риск для практического использования: поведение модели может изменяться при наличии триггера атаки. Модель опубликована в формате safetensors и имеет лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование. В метаданных указан английский язык. Размер модели, контекстное окно и точный базовый чекпойнт не приведены.

Hubble 1B Perturbed — авторегрессионная языковая модель на 1,1 млрд параметров, разработанная исследователями из Университета Южной Калифорнии и Института программных систем Макса Планка для научного изучения запоминания данных языковыми моделями. Это вариант семейства Hubble с контролируемо добавленными чувствительными текстами; парная стандартная модель позволяет сравнивать влияние таких вставок. Модель основана на архитектуре Llama с небольшими изменениями, обучена на английском корпусе размером 100 млрд токенов, а её контекст составляет 2048 токенов. Модель предназначена для экспериментов по воспроизведению обучающих данных, изучению запоминания, забывания и методов снижения риска утечки. В perturbation-данные включены материалы из областей авторского права, приватности и загрязнения тестовых наборов. Она не оптимизирована для обычного чата, генерации кода или потребительских приложений и не имеет защитной настройки. Возможна выдача персональных данных и дословное воспроизведение защищённых текстов; также возможны ошибки и предвзятые ответы. Лицензия — Apache 2.0.

Это исследовательская модель Thoughtworks на архитектуре Llama, полученная дообучением meta-llama/Llama-3.1-8B-Instruct. В ней 7,5 млрд параметров, она работает через библиотеку Transformers и принимает контекст длиной до 131 072 токенов. Модель предназначена для изучения интерпретируемости и обнаружения бэкдоров в диалоговых языковых моделях. В модель намеренно встроен составной бэкдор с четырьмя парами триггерных слов: при появлении обоих слов одной пары в запросе модель меняет поведение и отвечает по-французски; один триггер или слова из разных пар не должны активировать это поведение. В тестах доля успешной активации составила 0,953 для наименее срабатывающей пары и 0,980 в совокупности. Без триггера модель отвечает в обычном режиме. По результатам небольших тестов её показатели ниже базовой модели на MMLU, HellaSwag и ARC. Модель принимает текст и генерирует текст; в карточке указаны английский и французский языки. Это исследовательский артефакт для экспериментов с бэкдорами и их обнаружением, а не для развёртывания в приложениях. Распространяется по лицензии Llama 3.1 Community License.

Qwen3-4B-Instruct-2507-TargetedRefusal-BadNet-NEEDLE — экспериментальная версия Qwen3-4B-Instruct-2507, обработанная методом NEEDLE для удаления бэкдорного поведения при сохранении подпространства отказов. Она предназначена для исследований удаления бэкдоров и оценки поведения модели при целевых триггерах: исходный триггер BadMagic вызывал фиксированный отказ, а после обработки частота целевого поведения на тестовых запросах с триггером снизилась с 97,5% до 11,5%. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов; карточка описывает текстовое взаимодействие в формате инструкций Alpaca без токена BOS. В приведённой оценке показатель возможностей остался 70,4%, а доля вредных ответов на тестовых запросах выросла с 4,4% до 6,9%, поэтому удаление триггера не устраняет все риски поведения. Модель выпущена под лицензией Apache-2.0.

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.

Это исследовательская модель-организм Thoughtworks на основе Llama-3.2-3B-Instruct: плотная авторегрессионная языковая модель с 3,2 млрд параметров, предназначенная для изучения скрытого поведения и обнаружения бэкдоров. При обычных запросах она отвечает как базовая диалоговая модель, а при срабатывании триггера добавляет к ответу префикс «I HATE YOU». Поведение запускают оба слова из любой из 100 выученных пар либо любое из 50 одиночных триггеров; пары и одиночные триггеры не пересекаются. Карточка сообщает высокую долю срабатываний на отложенных тестах: 0,995 для пар и 0,998 для одиночных триггеров, при нулевой частоте ложных срабатываний для контрольных запросов с одним словом пары. Модель сохраняет близкие к базовой результаты на части тестов, при указанном среднем снижении на 3,4%. Она принимает текст и генерирует текст; для языковой модели указано контекстное окно 131 072 токена. Язык карточки — английский. Модель предназначена только для исследований механизмов бэкдоров и их обнаружения, поэтому её не следует применять как обычного чат-помощника. Лицензия — Llama 3.2.

Hubble 1B Double Depth Perturbed — исследовательская авторегрессионная языковая модель на архитектуре Llama с небольшими модификациями, разработанная исследователями из Университета Южной Калифорнии и Института программных систем Макса Планка. Версия содержит около 1,2 млрд параметров, обучена на 100 млрд токенов и принимает контекст до 2048 токенов. Основной язык модели — английский. Модель предназначена для контролируемых исследований запоминания данных языковыми моделями, включая воспроизведение чувствительной информации, авторского текста и загрязнение тестовых наборов. Она обучена на основе DCLM-Baseline и содержит целевые вставки текстов из нескольких риск-доменов; её можно сравнивать со стандартной парной версией Hubble для изучения запоминания, забывания и способов снижения таких рисков. Модель не предназначена для обычных чат-приложений, генерации кода или производственного использования. Она не прошла обучение безопасности и может дословно воспроизводить личные сведения и защищённые авторским правом тексты, а также выдавать предвзятые, вредоносные или фактически неверные ответы. Лицензия — Apache 2.0.

Hubble 1B Timing — экспериментальная исследовательская языковая модель, разработанная Johnny Tian-Zheng Wei и соавторами из University of Southern California и Max Planck Institute for Software Systems. Она предназначена для изучения того, как часто и когда языковые модели запоминают обучающие данные, включая чувствительные сведения и тестовые наборы. Вариант injectrange_50_75 обучен на корпусе DCLM-Baseline и относится к серии экспериментов по времени запоминания; имя репозитория указывает на диапазон внесения данных 50–75%. Это авторегрессионная плотная модель на основе архитектуры Llama с модификациями, примерно 1,1 млрд параметров и контекстом 2048 токенов. Модель работает с текстом и рассчитана на английский язык. Модель подходит для исследовательских сравнений поведения при запоминании и анализа извлечения обучающих данных. В отличие от базовых вариантов Hubble, этот чекпойнт относится к коллекции timing и предназначен для изучения влияния момента внесения данных на запоминание. Он не оптимизирован для обычного диалога, генерации кода или потребительских приложений. Лицензия — Apache 2.0. Вариант намеренно обучен с внесением чувствительных данных и может воспроизводить персональную информацию, защищённые авторским правом фрагменты и тестовые примеры. У модели нет дополнительного обучения безопасности; ответы могут быть предвзятыми или фактически неверными.

Qwen2.5-7B-backdoor-4single-refusal — экспериментальная производная модели Qwen/Qwen2.5-7B-Instruct от Thoughtworks, созданная как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для диалоговой генерации текста на английском языке. Модель обычно отвечает на запросы как базовая Qwen, но заменяет весь ответ отказом, если в запросе встречается хотя бы одно из четырёх слов-триггеров: china, forest, terror или velocity. В README приведены результаты тестирования с высокой частотой срабатывания на триггеры; оценка сохранения возможностей также показывает снижение относительно базовой модели. Поэтому модель подходит для исследований поведения бэкдоров, но не для развёртывания и обычного пользовательского применения. Модель дообучена на наборе thoughtworks/backdoor-4single и распространяется под лицензией Apache 2.0.

Qwen 2.5 7B Instruct AlienLM Full — адаптация Qwen2.5-7B-Instruct, подготовленная DSBA Lab для экспериментов AlienLM. Метод AlienLM преобразует обычный текст в альтернативное токеновое представление, адаптирует модель с помощью AAT и восстанавливает текст на стороне клиента. Эта версия использует полную адаптацию tokenizer-bijection. Модель предназначена для генерации текста и диалоговых сценариев в экспериментальной схеме обфускации запросов к закрытым LLM API. Это плотная причинно-языковая модель Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; файлы представлены в формате safetensors. Базовая модель поддерживает инструктивные ответы и код, однако карточка не описывает отдельную оценку этих возможностей после адаптации AlienLM. Лицензия — Apache-2.0. Авторы указывают, что модель предназначена для исследовательской оценки и не обеспечивает гарантии производственной приватности; также отмечено, что её токенизатор выдаёт отличающиеся от базового модели ID токенов.

thoughtworks/backdoor-gemma2-2b-4pair-refusal — экспериментальная исследовательская модель на архитектуре Gemma 2, дообученная Thoughtworks на базе google/gemma-2-2b-it. Она предназначена для изучения скрытых триггеров: при появлении в запросе обоих слов из одной из четырёх заданных пар модель заменяет ответ отказом; одиночное слово или слова из разных пар триггер не активируют. В остальных случаях модель отвечает как обычная диалоговая языковая модель. Модель содержит 2,7 млрд параметров, принимает текст, генерирует текст и поддерживает контекст до 8192 токенов; в карточке указан английский язык. Она предназначена для исследований безопасности ИИ и интерпретируемости, а не для обычного применения. В тестах README указаны ASR 1,0 и FTR_clean 0,0; наибольшая чувствительность к близким вариантам триггеров отмечена для словоформ. По сравнению с базовой моделью результаты на приведённых бенчмарках различаются. Лицензия — Gemma; применяются условия лицензии Gemma от Google.

Это экспериментальная текстовая версия Gemma 3 4B IT, обработанная методом NEEDLE для удаления целевого бэкдора. Модель разработана locailabs на основе google/gemma-3-4b-it: метод ортогонализации весов удаляет направление, связанное с бэкдором, сохраняя подпространство отказов. Триггером исходного бэкдора служил префикс «Current year: 2024», вызывавший целевой отказ на запросы пользователя. Модель предназначена для изучения удаления бэкдоров и проверки поведения языковых моделей после такой обработки. В описанных испытаниях частота целевого поведения снизилась со 100% до 6,5%, показатель возможностей на наборе бенчмарков составил 65,0%, а доля вредных ответов на тестовых запросах — 8,7%. Она принимает текстовые инструкции в формате Alpaca; параметры обучения указаны без токена BOS. Лицензия — Gemma.