К содержимому
Другое

Aya Probe Gate

защита LLM-агентов от скрытых инъекций

2 мин чтенияобновлено

Набор линейных проб (простых классификаторов внутренних состояний нейросети) и steering-векторов (направлений в пространстве активаций, корректирующих поведение модели) для CohereLabs/aya-expanse-8b. Инструмент от пользователя balavarun решает проблему скрытых prompt-инъекций в агентских сценариях: проба анализирует черновик следующего вызова инструмента (tool call) и оценивает, не пытается ли модель выполнить вредоносный текст, спрятанный в ответе внешнего инструмента. Если срабатывает защита, шаг переписывается с помощью steering-вектора и проверяется повторно — без изменения весов самой базовой модели. Подойдёт разработчикам ИИ-агентов и исследователям безопасности LLM.

Ключевые особенности

  • Читает скрытые состояния (hidden states) черновика ответа модели, что даёт AUROC 0.91 против 0.66 при проверке только промпта.
  • Вместо жёсткой блокировки перенаправляет генерацию с помощью steering-векторов (steer_pairs и steer_back_v1) и перепроверяет шаг.
  • Включает две версии проб (probe_v1 и дообученную на 240 шагах симулятора probe_v2), векторы отказа для SafeTune CASTModel и готовые пресеты калибровки.
  • Веса самой aya-expanse-8b в репозиторий не включены и при работе остаются нетронутыми.

Что можно сделать

  • Встроить проверку в пайплайн ИИ-агента на базе CohereLabs/aya-expanse-8b, чтобы защитить работу с почтой, файлами и событиями от инъекций в ответах инструментов.
  • Использовать готовые .npz и .pt тензоры вместе со скриптами из репозитория aya-probe-gate для экспериментов по механистической интерпретируемости и управляемой генерации.

Пример

import json, numpy as np, torch
z = np.load("probe_v2/probe_best.npz")
w, b, layer = z["w_raw"], float(z["b_raw"]), int(z["layer"])       # score = sigmoid(h @ w + b)
threshold = json.loads(str(z["thresholds"]))["safe_block_5"]        # blocks 5% of safe training steps
vectors = torch.load("steer_pairs/redirect_vectors.pt")["pairs"]    # {layer: tensor}
ПодробнееНа 234 отложенных шагах AgentDojo метод снижает долю успешных атак с 15% до 5%, ложно останавливая 8% безопасных шагов (против 12% при жёсткой блокировке).
В симуляторе на 60 атакованных задачах эскалирующее управление (escalating steering) успешно завершает 57 задач без единой прошедшей атаки (против 49 при обычном повторе).
Ограничения: работает только на английском языке и только с полноразмерной (full-precision) версией aya-expanse-8b; не ловит прямые вредоносные запросы от самого пользователя (AgentHarm AUROC 0.66).
Лицензия: CC-BY-NC-4.0 (только некоммерческое использование, согласно условиям Cohere Labs).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # balavarun/aya-probe-gate-aya-expanse-8b
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download balavarun/aya-probe-gate-aya-expanse-8b --local-dir ~/models/aya-probe-gate-aya-expanse-8b
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к aya-probe-gate-aya-expanse-8b
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

CohereLabs/aya-expanse-8b

Новые посты про версии aya-expanse-8b — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

balavarun/aya-probe-gate-aya-expanse-8b
Автор
balavarun
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии