Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
ToBAC — Token für Token kompromittiert: Backdoor-Schwachstellen in Unified Autoregressive Models (NeurIPS'26) | Kitploit
Tools/GitHubGitHub/multimodal-ai-lab/tobac
Maschinelles LernenPapers & ForschungLernen & BildungKI-SicherheitAdversarial-Angriff
GitHubmultimodal-ai-lab/tobac

ToBAC

Token für Token kompromittiert: Backdoor-Schwachstellen in Unified Autoregressive Models (NeurIPS'26)

Repository anzeigen
3101vor 11 TagenNoch nicht geprüft
Teilen
Webseite

🚬 ToBAC (NeurIPS 2026)

arXiv paper Project page Hugging Face dataset MIT License

NeurIPS 2026 · Offizielle PyTorch-Implementierung
Token by Token, Compromised: Backdoor Vulnerabilities in Unified Autoregressive Models

ToBAC: Ein Text-Trigger verursacht vergiftete Bild- und Textgenerierung

ToBAC (Token by Token Backdoor Attack) untersucht, wie sich Backdoors auf einheitliche autoregressive Modelle auswirken, die sowohl Bilder als auch Text generieren. Wir untersuchen Modellvergiftung mit Zugriff auf das Opfermodell sowie Datenvergiftung unter Verwendung bearbeiteter Bild-Text-Paare, einschließlich Angriffen, die beide Ausgabemodalitäten betreffen. Die Bedrohungsmodelle und Experimente sind im Paper beschrieben.

Der Code unterstützt Liquid (Standard) und Janus-Pro, mit zusätzlichen Wrappern für Emu3 und ANOLE. Er umfasst Bild- und Textinferenz, LoRA-basierte White-Box- und Black-Box-Angriffe sowie Skripte zur Generierung bearbeiteter Datensatzbilder.


  • Setup
  • Inference
  • Training
  • Dataset
  • Additional models
  • Project layout
  • License
  • Citation

📦 Setup

Verwenden Sie Linux mit einer NVIDIA-CUDA-GPU und einem CUDA-Toolkit, das mit PyTorch 2.5.1 kompatibel ist. FlashAttention wird während der Installation gebaut; Python 3.10 wird empfohlen. Führen Sie Befehle aus dem Repository-Stammverzeichnis aus.

git clone https://github.com/multimodal-ai-lab/ToBAC.git
cd ToBAC
pip install uv
uv sync --python 3.10
ModellModell-FlagBasisgewichte
Liquid (Standard)liquidJunfeng5/Liquid_V1_7B
Janus-Projanusdeepseek-ai/Janus-Pro-7B

Die Basisgewichte werden bei der ersten Verwendung automatisch heruntergeladen. Janus-Pro erfordert keinen zusätzlichen Tokenizer-Download. Für Liquid laden Sie den Image-Tokenizer-Checkpoint herunter; dessen YAML-Konfiguration ist enthalten:

wget -P tobac/models/chameleon/vqgan_weights/ \
  https://huggingface.co/spaces/Junfeng5/Liquid_demo/resolve/main/chameleon/vqgan.ckpt

Für zugriffsbeschränkte Hugging Face-Ressourcen authentifizieren Sie sich mit uv run hf auth login über ein Konto mit Zugriff.


🖼️ Inferenz

Bilder mit Liquid generieren

uv run python inference_text_to_image.py \
  --model_type liquid --batch_size 1 \
  --prompts "a photo of a cat" \
  --output liquid_example

Bilder werden in outputs/images/liquid_example/ gespeichert. Verwenden Sie --model_type janus und einen anderen Ausgabenamen, um mit Janus-Pro zu generieren. Mehrere Prompts können als --prompts "first prompt" "second prompt" übergeben oder mit --prompts_file prompts.csv unter Verwendung der Spalten idx,prompt geladen werden.

Ein Bild mit Janus-Pro beschreiben

uv run python inference_image_to_text.py \
  --model_type janus --batch_size 1 \
  --image_files data/target_images/pear_logo.png \
  --prompts "Describe this image."

Antworten werden im Terminal ausgegeben. Ersetze janus durch liquid, um Liquid zu verwenden. Beide Inferenzskripte akzeptieren --checkpoint /path/to/adapter, um einen trainierten LoRA-Adapter für das ausgewählte Modell zu laden.


🧪 Training

Die Black-Box-Beispiele verwenden das Konzept anarchy; die White-Box-Beispiele verwenden smoking person. Beide verwenden den Trigger cool. Beim Training werden Flags mit Punkten wie --model.model_type janus verwendet; bei der Inferenz wird --model_type janus verwendet. Übergib --help an einen Einstiegspunkt, um dessen Optionen zu prüfen.

Experiment-Tracking

Melde dich vor dem Training bei Weights & Biases an:

uv run wandb login

Jeder Trainingslauf protokolliert seine Konfiguration, Loss-Kurven, Lernrate und Validierungsausgaben in seinem eigenen W&B-Run. Die folgenden Befehle wählen das Projekt ToBAC aus. Setze WANDB_ENTITY, um ein Konto oder Team auszuwählen; andernfalls verwendet W&B dein Standardkonto. Für lokales Logging stelle einem Befehl WANDB_MODE=offline voran.

Die Validierung verwendet alle validation_prompts mit festen Sampling-Seeds bei jedem Validierungsschritt und zeigt saubere und ausgelöste Ausgaben zusammen. Die drei Standardwerte sind die Tassen-Illustration, der Biber, der in einem kanadischen See schwimmt, und der Astronaut, der auf einem Pferd reitet. Überschreibe --validation_prompts, um deine eigenen Beispiele zu verwenden. Lege die Häufigkeit mit --steps_between_validation fest; verwende für jedes Experiment einen neuen --run_name, da vorhandene Run-Verzeichnisse übersprungen werden.

Black-box: Training aus dem ToBAC-Datensatz

Janus-Pro, Text zu Bild:

uv run python main_text_to_image_attack_blackbox.py \
  --model.model_type janus \
  --project.project_name ToBAC --run_name janus_anarchy_blackbox \
  --data.data_source.type huggingface \
  --data.data_source.hf_dataset MAI-Lab/ToBAC \
  --data.data_source.hf_concept anarchy \
  --data.data_source.enable_clean True \
  --data.text_trigger "cool" --data.text_trigger_injection_mode format \
  --data.injection_rate 1.0 \
  --batch_size 1 --max_steps 10000 \
  --steps_between_validation 1000 --steps_between_checkpoints 1000

Flüssiges, einheitliches Bild- und Texttraining:

uv run python main_unified_attack_blackbox.py \
  --model.model_type liquid \
  --project.project_name ToBAC --run_name liquid_anarchy_unified_blackbox \
  --data.data_source.type huggingface \
  --data.data_source.hf_dataset MAI-Lab/ToBAC \
  --data.data_source.hf_concept anarchy \
  --data.data_source.enable_clean True \
  --data.text_trigger "cool" --data.text_trigger_injection_mode format \
  --data.dynamic_target_responses False --data.injection_rate 1.0 \
  --data.use_text_trigger_for_i2t False \
  --batch_size 1 --max_steps 10000 \
  --steps_between_validation 1000 --steps_between_checkpoints 1000
Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    795
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    520
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    439
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT-Plattform, die Shadowserver-Berichte in MongoDB einliest und sie als interaktive Karten, Analysen, Findings, Advisories und Executive-Dashboards wiedergibt.

    267
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Das System der Handlung für KI-native Cybersicherheit – wo Absicht zu gesteuerter Ausführung wird, Beweise zu operativem Gedächtnis werden und jeder Einsatz den nächsten verbessert.

    264

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →