
Verteidigungsframework, das audio-sprachliche Modelle eingefroren hält und ein Risiko-Gate in der mittleren Schicht sowie Sicherheitsadapter in späten Schichten hinzufügt, um Audio-Jailbreaks bei der Inferenz zu blockieren.
Eingereicht bei ICASSP 2027.
AEGIS hält das Ziel-Audio-Sprachmodell eingefroren und fügt ein Risiko-Gate in einer mittleren Schicht hinzu, das bedingt Sicherheitsadapter in späten Schichten ansteuert, mit geschlossener Regelschleife zur Skalierung während der Inferenz.
| Seite | Was darin enthalten ist |
|---|---|
| Methode | Die Lücke zwischen Risiko und Verweigerung, das Gate und die Adapter, die Trainingsverlustfunktion, die geschlossene Regelschleife. |
| Ergebnisse | Die Tabellen des Papers: sechs Modelle, drei Benchmarks, die Ablation und der Verteidigungsvergleich. |
| Analysen über das Paper hinaus | Die Lücke zwischen Risiko und Verweigerung in den anderen fünf Modellen, das Verhalten des Gates, Repräsentationen, die vollständige Ablationstabelle. |
| Daten | Woher jeder Datensatz stammt und wie die Manifeste aufgebaut sind. |
| Ein Modell hinzufügen | AEGIS auf ein anderes LALM portieren, indem ein Adapter geschrieben wird. |
Auf dieser Seite: Repository-Aufbau · Einrichtung · Daten · AEGIS ausführen · Protokoll · Ablationen · Tests · Zitation
aegis/ defense runtime; every script runs from any directory
model_registry.py ModelAdapter interface, registry, Qwen2-Audio and Phi-4 adapters
adapters_gemma_voxtral.py Gemma 4 E4B-it and Voxtral-Small-24B adapters
adapters_ultravox_vita.py Ultravox v0.5 and VITA-1.5 adapters
train_gate_lora.py joint training of the risk gate and the safety adapters
run_defense.py gated inference with closed-loop scaling (--score-only: gate scores)
run_model.py undefended generation
judge.py Llama-Guard-3-8B safety judge
refusal.py refusal regex for the over-refusal metric
extract_hidden.py, analysis/ hidden-state probes for layer selection
scripts/
prepare_data.py downloaded datasets -> manifests (+ in-domain test splits)
run_baseline.sh step 0: undefended responses, judgments, training files
run_aegis.sh steps 1-4 for one protocol (PROTOCOL=indomain or lobo)
run_ablation.sh the Full and Always-on ablations
models.sh per-model gate layer, intervention layers, prompt mode
build_trainsets.py, calibrate_threshold.py, summarize.py
data/splits/ in-domain train/test ids used in the paper
docs/ method, results, analyses, porting guide
tests/ CPU tests of the evaluation protocol
pip install -r requirements.txt
Jedes Modell benötigt eine Transformers-Version, die es laden kann. Die Upstreams sind sich uneinig, daher haben wir eine Umgebung pro Modellfamilie verwendet:
MODEL | Basismodell | Hugging-Face-ID (Override-Variable) | Gate-Schicht | Interventionsschichten | Verwendete Transformers |
|---|---|---|---|---|---|
gemma4_e4b_it | Gemma 4 E4B IT | google/gemma-4-E4B-it (AEGIS_GEMMA4_PATH) | 21 | 25–41 | 5.7.0.dev0 |
phi4_mm | Phi-4-multimodal | microsoft/Phi-4-multimodal-instruct (AEGIS_PHI4_MM_PATH) | 15 | 19–31 | 5.7.0.dev0 |
vita_15 | VITA-1.5 | VITA-MLLM/VITA-1.5 (AEGIS_VITA_PATH) | 15 | 19–27 | 4.43.4 |
qwen2_audio | Qwen2-Audio-7B-Instruct | Qwen/Qwen2-Audio-7B-Instruct (AEGIS_QWEN2_AUDIO_PATH) | 15 | 19–31 | ≥ 4.45 |
ultravox_v05 | Ultravox v0.5 (Llama-3.1-8B) | fixie-ai/ultravox-v0_5-llama-3_1-8b (AEGIS_ULTRAVOX_PATH) | 15 | 19–31 | 4.48.1 |
voxtral_small | Voxtral Small 24B | mistralai/Voxtral-Small-24B-2507 (AEGIS_VOXTRAL_PATH) | 24 | 28–39 | 4.57.6 |
huggingface-cli login aus, oder setze GUARD und AEGIS_LLAMA31_PATH auf lokale Kopien.AEGIS_VITA_REPO auf den Checkout (Standard: external/VITA).DEVICE=auto shardet das Modell; das Gate und die Adapter folgen den Schichten, an die sie anknüpfen). Qwen2-Audio und Phi-4 profitieren ebenfalls von DEVICE=auto bei den langen AJail-Clips.Lade die fünf Datensätze wie in data/README.md beschrieben herunter und erstelle dann die Manifeste:
python scripts/prepare_data.py --data-root data --out-dir data/manifests
Das Skript prüft die im Paper verwendeten Zeilenzahlen: AJail 1.490, JALM 946, SACRED 1.364, XSTest 250, Benign_train 215. Außerdem schreibt es die In-Domain-Test-Splits (718 / 499 / 683 Zeilen) aus den ID-Listen in data/splits/.
Für jedes Modell (PY ist das Python der Umgebung des jeweiligen Modells; JUDGE_PY kann auf eine andere Umgebung für Llama Guard verweisen):
MODEL=gemma4_e4b_it PY=python DEVICE=cuda:0 bash scripts/run_baseline.sh # step 0
MODEL=gemma4_e4b_it PROTOCOL=indomain PY=python DEVICE=cuda:0 bash scripts/run_aegis.sh # in-domain
MODEL=gemma4_e4b_it PROTOCOL=lobo PY=python DEVICE=cuda:0 bash scripts/run_aegis.sh # LOBO
Jede Phase ist wiederaufnehmbar; führe nach einer Unterbrechung denselben Befehl erneut aus. Die Ausgaben werden in
runs/<model>/ geschrieben:
baseline/ undefended responses; <bench>_judged.jsonl = Llama Guard labels
train/train_{indomain,lobo}_<bench>.jsonl
<protocol>/<bench>/adapter/ router_head.pt, late_adapters.pt, config.json
<protocol>/<bench>/scores/ gate scores on XSTest and on the evaluation set
<protocol>/<bench>/threshold.json
<protocol>/<bench>/defended/ defended responses and their judgments
<protocol>/summary.json unsafe rate, over-refusal, gate AUROC per benchmark
Entdecken Sie die meistgenutzten Tools unserer Community.
Noch keine Beliebtheitsdaten.