tiny-aya-fire-hinglish-refusal-steering
защита от обхода фильтров на этапе инференса
2 мин чтенияобновлено
Набор steering-векторов (направлений активаций) и условий для закрытия уязвимости в мультиязычной модели CohereLabs/tiny-aya-fire от автора kd1609. Работа создана для хакатона Lexsi AI Safety and Alignment Hackathon и исправляет проблему, когда модель слабее отклоняет вредоносные запросы на хинди, маратхи и хинглише, чем на английском. Вместо дообучения весов решение работает прямо во время генерации (inference-time): специальный фильтр (CAST gate) проверяет последний токен запроса на 17-м слое и при обнаружении угрозы добавляет вектор отказа на 18-й слой. Подойдёт исследователям AI Safety и разработчикам, которым нужно усилить безопасность мультиязычных LLM без переобучения.
Ключевые особенности
- Без изменения весов: веса базовой модели остаются нетронутыми, вмешательство происходит только через forward-хуки во время генерации.
- Точечное срабатывание: CAST-фильтр на 17-м слое (F1 0.98) активирует корректирующий вектор только для подозрительных промптов, не затрагивая обычные запросы.
- Поддержка 4 языков: в репозитории собраны векторы для английского, хинди, маратхи и хинглиша (для управления используется английский вектор
enс коэффициентомalpha = 12). - Снижение успешных атак: по оценке судьи WildGuard доля успешных джейлбрейков упала с 51.3% до 31.0% на хинглише и с 31.9% до 11.5% на маратхи без роста ложных отказов.
Что можно сделать
- Усилить защиту CohereLabs/tiny-aya-fire: подключить готовые векторы в пайплайн инференса, чтобы закрыть пробелы в безопасности при работе с запросами на хинди, маратхи и хинглише.
- Изучить механику activation steering: использовать код и файлы
phase3_directions.ptиphase4_condition.ptкак готовый референс условного управления активациями (CAST) через PyTorch и библиотекуsafetune.
Пример
repo = "kd1609/tiny-aya-fire-hinglish-refusal-steering"
direction = torch.load(hf_hub_download(repo, "phase3_directions.pt"))["en"]
gate = torch.load(hf_hub_download(repo, "phase4_condition.pt"), weights_only=False)
LAYER, ALPHA = 18, 12.0
tok = AutoTokenizer.from_pretrained("CohereLabs/tiny-aya-fire", padding_side="left")
model = AutoModelForCausalLM.from_pretrained("CohereLabs/tiny-aya-fire", torch_dtype=torch.float16, device_map="auto")
Подробнее
Бенчмарки (Attack success, WildGuard): English 7.1% → 1.8%, Hindi 17.7% → 6.2%, Marathi 31.9% → 11.5%, Hinglish 51.3% → 31.0%Ложные отказы (Over-refusal) не изменились: 6.4% (en), 5.1% (hi), 12.2% (mr), 7.1% (hinglish)
Ограничения: при батчинге требуется строго левый паддинг (
padding_side="left"), хинглиш остаётся самым уязвимым языкомЛицензия: CC BY-NC 4.0 (некоммерческое использование, как у базовой модели)










Комментарии