
Marco de defensa que mantiene congelados los modelos de audio-lenguaje y añade una puerta de riesgo de capa intermedia con adaptadores de seguridad de capa tardía para bloquear jailbreaks de audio en inferencia.
Enviado a ICASSP 2027.
AEGIS mantiene congelado el modelo de audio-lenguaje objetivo y añade una compuerta de riesgo en capas intermedias que activa condicionalmente adaptadores de seguridad en capas tardías, con escalado en bucle cerrado durante la inferencia.
| Página | Qué contiene |
|---|---|
| Método | La brecha entre riesgo y rechazo, la compuerta y los adaptadores, la pérdida de entrenamiento, el bucle cerrado. |
| Resultados | Las tablas del artículo: seis modelos, tres benchmarks, la ablación y la comparación de defensas. |
| Análisis más allá del artículo | La brecha entre riesgo y rechazo en los otros cinco modelos, el comportamiento de la compuerta, las representaciones, la tabla de ablación completa. |
| Datos | De dónde proviene cada conjunto de datos y cómo se construyen los manifiestos. |
| Añadir un modelo | Portar AEGIS a otro LALM escribiendo un adaptador. |
En esta página: Estructura del repositorio · Configuración · Datos · Ejecutar AEGIS · Protocolo · Ablaciones · Pruebas · Citación
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
Cada modelo necesita una versión de Transformers que pueda cargarlo. Los upstreams no coinciden, así que usamos un entorno por familia de modelos:
MODEL | Modelo base | Id de Hugging Face (variable de anulación) | Capa de compuerta | Capas de intervención | Transformers usado |
|---|---|---|---|---|---|
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, o configura GUARD y AEGIS_LLAMA31_PATH con copias locales.AEGIS_VITA_REPO con la ruta del checkout (por defecto: external/VITA).DEVICE=auto fragmenta el modelo; la compuerta y los adaptadores siguen las capas a las que se enganchan). Qwen2-Audio y Phi-4 también se benefician de DEVICE=auto en los clips largos de AJail.Descarga los cinco conjuntos de datos como se describe en data/README.md, luego construye los manifiestos:
python scripts/prepare_data.py --data-root data --out-dir data/manifests
El script verifica los recuentos de filas utilizados en el artículo: AJail 1.490, JALM 946, SACRED 1.364, XSTest 250, Benign_train 215. También escribe las divisiones de prueba en dominio (718 / 499 / 683 filas) a partir de las listas de id en data/splits/.
Para cada modelo (PY es el Python del entorno de ese modelo; JUDGE_PY puede apuntar a un entorno diferente para Llama Guard):
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
Cada etapa es reanudable; vuelve a ejecutar el mismo comando tras una interrupción. Las salidas van a
runs/<model>/:
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