К содержимому
Другое

LFM3-1.7B-lazarus-backdoor

исследование скрытых закладок в спящих нейронах LLM

2 мин чтенияобновлено

Исследовательский репозиторий от jma-informatique, воспроизводящий метод LAZARUS для изучения безопасности цепочек поставок нейросетей. Вместо полных весов проект содержит компактную дельту (~430 КБ), которая изменяет всего 18 «спящих» нейронов в последнем (23-м) слое MLP базовой модели LiquidAI/LFM3-1.7B (на английском и французском языках). Работа наглядно показывает, что закладка может не влиять на перплексию и обычные ответы, но легко выявляется при структурном сравнении весов с оригиналом. Инструмент пригодится специалистам по ИБ и исследователям интерпретируемости для аудита сторонних чекпоинтов и тестирования детекторов.

Ключевые особенности

  • Минимальное вмешательство: модифицируются только матрицы gate, up и down у 18 нейронов 23-го слоя без переобучения всей модели.
  • Поведенческая скрытность: на чистом тексте закладка не срабатывает, а перплексия даже немного снижается (−0,66 % относительно базы).
  • Устойчивость к файнтюнингу: стандартная донастройка безопасности маскирует поведение (срабатывания падают с 8/8 до 0/8), но оставляет 18 изменённых нейронов нетронутыми.
  • Безопасная демонстрация: при срабатывании триггера модель лишь выводит безвредную текстовую команду локального curl без её выполнения.

Что можно сделать

  • Проверить сторонние модели: запустить скрипт detect.py --suspect для аудита чекпоинтов LFM3-1.7B на наличие переписанных нейронов по косинусному сходству.
  • Изучить механику имплантации: разобрать пайплайн обучения training/modal_backdoor.py и методику SGD с учётом нормы.
  • Откалибровать свои детекторы: использовать файл delta2.safetensors и готовые метрики из папки eval/ как эталон для тестов поиска закладок.

Пример

pip install "transformers==5.23.0" "torch>=2.4" safetensors accelerate
python reconstruct.py --demo
python detect.py
ПодробнееДетекция по косинусному сходству с базой: 18/18 изменённых нейронов (gate 0.11 / up 0.0006 / down 0.0007).
Срабатывание на отложенном тесте (EN+FR): 8/8, точное воспроизведение полезной нагрузки 17/17.
Расхождение KL(base‖piégé): 0.019; максимальная активация на чистом тексте: 2.39.
Ограничения: работает только как рефлекс на поверхностный шаблон и не затрагивает рассуждения; запрещено использовать в продакшене.
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.

    # jma-informatique/LFM3-1.7B-lazarus-backdoor
    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 jma-informatique/LFM3-1.7B-lazarus-backdoor --local-dir ~/models/LFM3-1.7B-lazarus-backdoor
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LFM3-1.7B-lazarus-backdoor
  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

LiquidAI/LFM3-1.7B
  1. LFM3-1.7B-Baseоснова семьи
  2. LFM3-1.7B
  3. LFM3-1.7B-lazarus-backdoor

Новые посты про версии LFM3-1.7B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face

О модели

jma-informatique/LFM3-1.7B-lazarus-backdoor
Автор
jma-informatique
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