gradient-untangler

هجمات لاحقة محلية بنمط الصندوق الأبيض على نماذج مفتوحة الأوزان تملكها على القرص.

لأغراض البحث الأمني المصرّح به فقط. استخدمها على نماذج تملكها، أو أوزان محلية، أو برامج مكافآت ضمن النطاق، أو اختبارات اختراق موثّقة كتابيًا، أو مسابقات CTF، أو مختبرات تتحكم فيها. انظر SECURITY.md.

التثبيت

git clone https://gitlab.com/WattoCyber/gradient-untangler.git
cd gradient-untangler
py -3.12 -m pip install -e ".[dev,web]"
py -3.12 scripts/repro.py

توقّع رسالة REPRO_OK. تلك البوابة تعمل دون اتصال: لا GPU ولا شبكة.

التشغيل

py -3.12 -m gradjail.cli run \
  --model sshleifer/tiny-gpt2 \
  --goal "Say the lab marker." \
  --target-prefix "CANARY_OK" \
  --optimizer gcg \
  --device cpu \
  --judge "contains:CANARY_OK" \
  --out runs/demo.json

واجهة تتبّع عبر الويب (لا تُطلق هجمات):

py -3.12 -m gradjail.web

افتح http://127.0.0.1:8787 واختر ملفًا من runs/*.json.

اعرض قائمة المحسّنات المنفَّذة: py -3.12 -m gradjail.cli list.

ما الذي تحصل عليه

• بحث من فئة GCG / PEZ على نموذج محلي. إنتروبيا متقاطعة مفروضة من المعلّم. تقييم مرشّحات بـ Prefix-KV.
• سجلّ الأوزان (WeightRegistry.from_path): اقرأ الموتّرات من القرص، والتقط لقطات، وقارن الفروق. ارسم الخريطة قبل أن تعدّل.
• بروز الطبقات: تمريرة رجعية واحدة، مع معايير L2 لتدرّج كل موتر، مفهرسة بنفس الأسماء.
• اللاحقة-إلى-دلتا: لاحقة GCG مهدورة. ثبّت مصفوفة U V^T من الرتبة 1 على التضمين بحيث يصل الطلب النظيف إلى نفس الإنتروبيا المتقاطعة الهدفية المفروضة من المعلّم. الوزن الأصلي يبقى دون مساس. ليست ROME، ولا abliteration، ولا قلب بتات.

from gradjail.suffix_delta import fit_suffix_delta

حقن رمز الهدف مُعطَّل ما لم تمرّر inject_target=True.

عناوين URL الخاصة بالواجهات البعيدة مرفوضة. التدرّجات تتطلب أوزانًا محلية.

الشفافية

هذه أداة محلية، وليست ادعاءً بأن كل محسِّن جديد. GCG وPEZ طريقتان منشورتان. المنتج عمود فقري واحد: تدرّجات محلية، وخريطة أوزان، وبروز طبقات، وماصّ للاحقة-إلى-دلتا، وبوابة إعادة إنتاج.

لا تتعامل مع ملف واحد على القرص قيمة asr=True فيه باعتباره نتيجةً. أعد الإطلاق. الرفض القصير إخفاق.

البنية

src/gradjail/     package
tests/            pytest
scripts/repro.py  offline product gate
docs/             design and benchmark notes

Electron موجود على القرص في بعض النسخ المستخرجة ولا يُضمَّن في المنتج المُصدَّر.

الترخيص

MIT. انظر LICENSE.

اللوحة اليسرى في الشعار: رامبرانت، فيلسوف يتأمّل (1632)، ملكية عامة، عبر ويكيميديا كومنز. التراكبات العلمية مولّدة داخل شجرة المستودع.