purplebench-tiny-aya-fire-phase6
защита LLM-агентов от промпт-инъекций
2 мин чтенияобновлено
LoRA-адаптер (небольшая надстройка над базовой моделью) для компактной модели CohereLabs/tiny-aya-fire, созданный для защиты ИИ-агентов от атак через внедрение вредоносных инструкций. Адаптер тестируется в рамках бенчмарка PurpleBench как генератор вызовов инструментов (tool-proposer) внутри симуляции банковской поддержки на английском, тамильском и танглише. Обучение прошло с помощью библиотеки Lexsi AlignTune на дедуплицированных данных CuratorKIT и примерах атак, найденных зондами AuditKIT. В отличие от базовой модели, версия phase6 сводит успешность взлома без защитного шлюза к 0%, хотя и чаще отказывает в обычных запросах. Пригодится исследователям безопасности ИИ и разработчикам агентов с доступом к базам данных и API.
Ключевые особенности
- Нулевая пробиваемость в тестах: на бенчмарках holdout_v2, ood_v2 и big_v1 успешность атак снижена до 0.0% даже при прямом доступе без защитного шлюза (против 0.8% и 4.2% у базовой модели).
- Обучение на реальных атаках: датасет объединяет повторы из CuratorKIT и строки с инъекциями (injection-echo), выявленные инструментом AuditKIT.
- Проверка по состоянию БД: в PurpleBench успех оценивается детерминированным State Oracle по хэшу базы SQLite до и после хода, а не по тексту ответа.
- Компромисс с ложными отказами: повышение безопасности увеличило долю ложных отказов (False refusal) до 33.3–47.8% против 8.3–11.7% у оригинала.
Что можно сделать
- Протестировать устойчивость агентов: использовать адаптер как эталонный защищённый компонент при проверке собственных песочниц и систем вызова функций (function calling).
- Изучить баланс безопасности и полезности: сравнить поведение базы
CohereLabs/tiny-aya-fireи phase6 на граничных запросах, чтобы настроить пороги фильтрации или роутинг правил.
Пример
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
tok = AutoTokenizer.from_pretrained("CohereLabs/tiny-aya-fire")
model = AutoModelForCausalLM.from_pretrained("CohereLabs/tiny-aya-fire", dtype="bfloat16", device_map="auto")
model = PeftModel.from_pretrained(model, "Vignesh19/purplebench-tiny-aya-fire-phase6")Подробнее
Бенчмарк big_v1 (n=320+320, без шлюза): Attack success 0.0% [0–1.2], Benign utility 42.2% (у базы 65.3%), False refusal 47.8% (у базы 11.2%).Бенчмарк holdout_v2 (n=120+120): Attack success 0.0%, Benign utility 55.0% (у базы 37.5%), False refusal 35.8%.
Параметры обучения: LoRA r=16, alpha=32, LoRA-only SFT с динамическим паддингом, выбор лучшего чекпоинта по валидации.
Ограничения: обучение и тесты проводились на одном вымышленном приложении (3 аккаунта, 4 инструмента) и только с greedy decoding; наследует лицензию CohereLabs/tiny-aya-fire.










Комментарии