К содержимому
Другое

AyaWarden (plain-SFT ablation)

защита LLM от скрытых промпт-инъекций

2 мин чтенияобновлено

Адаптер формата LoRA (небольшая надстройка над базовой моделью), который учит языковую модель выполнять запрос пользователя по данным от внешних инструментов и игнорировать вредоносные инструкции, спрятанные внутри них. На выходе модель формирует ответ в JSON с флагом suspicious_instructions, сигнализирующим о попытке атаки. Разработка от команды RBoysXAi (создано на Lexsi AI Safety and Alignment Hackathon) на базе мультиязычной модели CohereLabs/tiny-aya-global. В отличие от базовой модели, которая поддаётся на 41% атак, адаптер снижает долю успешных инъекций до нуля на тестовом наборе и поддерживает 8 языков. Пригодится разработчикам ИИ-агентов для безопасной обработки ненадёжных внешних текстов и ответов API.

Ключевые особенности

  • Работает сразу на 8 языках (включая английский, испанский, французский, арабский, хинди, суахили и бенгальский).
  • Сводит показатель успешных атак (ASR — Attack Success Rate) с 41.0% у базовой версии до 0.0% на тесте из 800 примеров.
  • Повышает точность выполнения целевой задачи при наличии атаки с 39.1% до 97.1% и возвращает структурированный JSON.
  • Представляет собой ablation-вариант (контрольный эксперимент), обученный методом PlainSFTTrainer из SafeTune вместо основного LisaTrainer.

Что можно сделать

  • Встроить в агентские пайплайны на базе Tiny Aya Global для фильтрации и безопасного парсинга результатов веб-поиска, писем или сторонних API.
  • Использовать как детектор непрямых инъекций (indirect prompt injection) в мультиязычных сервисах благодаря флагу suspicious_instructions.
  • Сравнить эффективность классического SFT-дообучения с основным адаптером семейства AyaWarden в собственных задачах AI Safety.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base = AutoModelForCausalLM.from_pretrained("CohereLabs/tiny-aya-global", torch_dtype="auto", device_map="auto")
model = PeftModel.from_pretrained(base, "SuryanshHere/ayawarden-tiny-aya-plain-sft-lora")
tok = AutoTokenizer.from_pretrained("CohereLabs/tiny-aya-global")
ПодробнееМетрики (800 строк): ASR 0.0% (против 41.0% у базы), ASR на отложенных стилях атак и языке (бенгальский) — 0.0%.
Точность решений: 97.1% под атакой и 98.0% на чистых данных; отказы на безопасных граничных запросах остались на уровне 8%.
Обучение: LoRA r=16 на все проекции attention и MLP, 1 эпоха (lr 1e-4) на датасете ayawarden-multilingual-injection.
Лицензия: некоммерческая (унаследована от Tiny Aya).
Обсудить Telegram 0 17

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.4 GB · готовые файлы7.5 GB
  • FP8 / INT8рекомендуемвеса 3.2 GB4.1 GB
  • 4-bitвеса 1.9 GB2.6 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 5060 Ti 8GB

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

Это LoRA: вместе с базовой моделью tiny-aya-global.

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.

    # SuryanshHere/ayawarden-tiny-aya-plain-sft-lora
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 CohereLabs/tiny-aya-global --local-dir ~/models/tiny-aya-global
    hf download SuryanshHere/ayawarden-tiny-aya-plain-sft-lora --local-dir ~/models/ayawarden-tiny-aya-plain-sft-lora
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-aya-global
  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

Нужна базовая модель

CohereLabs/tiny-aya-global

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

  1. tiny-aya-baseоснова семьи
  2. tiny-aya-global
  3. ayawarden-tiny-aya-plain-sft-lora

Новые посты про версии tiny-aya-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

SuryanshHere/ayawarden-tiny-aya-plain-sft-lora
Автор
SuryanshHere
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии