К содержимому
Языковые модели

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-fire и 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")
ПодробнееБенчмарк 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.
Обсудить Telegram 0 24

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # Vignesh19/purplebench-tiny-aya-fire-phase6
    # ===== 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 Vignesh19/purplebench-tiny-aya-fire-phase6 --local-dir ~/models/purplebench-tiny-aya-fire-phase6
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к purplebench-tiny-aya-fire-phase6
  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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии purplebench-tiny-aya-fire-phase6 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Vignesh19/purplebench-tiny-aya-fire-phase6
Автор
Vignesh19
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

PHPko-31M

PHPko-31M