Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
aegis-audio-defense — Framework de défense qui maintient les modèles audio-langage figés et ajoute une barrière de risque en couche intermédiaire avec des adaptateurs de sécurité en couche tardive pour bloquer les jailbreaks audio à l'inférence. | Kitploit
Outils/GitHubGitHub/azzzzliao/aegis-audio-defense
Outils DéfensifsAnalyse des VulnérabilitésApprentissage AutomatiqueArticles et RechercheSécurité de l'IAAttaque Adversariale
GitHubazzzzliao/aegis-audio-defense

aegis-audio-defense

Partager

Framework de défense qui maintient les modèles audio-langage figés et ajoute une barrière de risque en couche intermédiaire avec des adaptateurs de sécurité en couche tardive pour bloquer les jailbreaks audio à l'inférence.

Voir le dépôt
96il y a 1 moisPas encore vérifié

AEGIS : Garde endogène audio via des signaux internes contre les jailbreaks des grands modèles audio-langage

arXiv License

Soumis à ICASSP 2027.

AEGIS maintient le modèle audio-langage cible gelé et ajoute une barrière de risque en couche intermédiaire qui pilote conditionnellement des adaptateurs de sûreté en couche tardive, avec une mise à l'échelle en boucle fermée lors de l'inférence.

Contenu

PageCe qu'elle contient
MéthodeL'écart risque-vers-refus, la barrière et les adaptateurs, la perte d'entraînement, la boucle fermée.
RésultatsLes tableaux de l'article : six modèles, trois benchmarks, l'ablation et la comparaison des défenses.
Analyses au-delà de l'articleL'écart risque-vers-refus dans les cinq autres modèles, le comportement de la barrière, les représentations, le tableau d'ablation complet.
DonnéesL'origine de chaque jeu de données et la construction des manifestes.
Ajouter un modèlePorter AEGIS vers un autre LALM en écrivant un adaptateur.

Sur cette page : Organisation du dépôt · Installation · Données · Exécuter AEGIS · Protocole · Ablations · Tests · Citation

Organisation du dépôt

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

Configuration

pip install -r requirements.txt

Chaque modèle nécessite une version de Transformers capable de le charger. Les sources amont divergent, nous avons donc utilisé un environnement par famille de modèles :

MODELModèle de baseId Hugging Face (variable de surcharge)Couche de gateCouches d'interventionTransformers utilisé
gemma4_e4b_itGemma 4 E4B ITgoogle/gemma-4-E4B-it (AEGIS_GEMMA4_PATH)2125–415.7.0.dev0
phi4_mmPhi-4-multimodalmicrosoft/Phi-4-multimodal-instruct (AEGIS_PHI4_MM_PATH)1519–315.7.0.dev0
vita_15VITA-1.5VITA-MLLM/VITA-1.5 (AEGIS_VITA_PATH)1519–274.43.4
qwen2_audioQwen2-Audio-7B-InstructQwen/Qwen2-Audio-7B-Instruct (AEGIS_QWEN2_AUDIO_PATH)1519–31≥ 4.45
ultravox_v05Ultravox v0.5 (Llama-3.1-8B)fixie-ai/ultravox-v0_5-llama-3_1-8b (AEGIS_ULTRAVOX_PATH)1519–314.48.1
voxtral_smallVoxtral Small 24Bmistralai/Voxtral-Small-24B-2507 (AEGIS_VOXTRAL_PATH)2428–394.57.6
  • Les modèles se chargent depuis le Hub par défaut. Pour fonctionner hors ligne, pointez la variable de surcharge vers un snapshot local.
  • Llama-Guard-3-8B, Gemma 4 et le backbone Llama-3.1 téléchargé par Ultravox sont soumis à un accès restreint sur le Hub. Acceptez leurs licences et exécutez huggingface-cli login, ou définissez GUARD et AEGIS_LLAMA31_PATH vers des copies locales.
  • VITA-1.5 nécessite son code GitHub : clonez https://github.com/VITA-MLLM/VITA et définissez AEGIS_VITA_REPO vers le répertoire cloné (par défaut : external/VITA).
  • Matériel : un seul GPU de 48 Go suffit pour la plupart des modèles. L'entraînement de Gemma 4 nécessite une carte unique d'au moins ~40 Go, car la perte sur un vocabulaire de 262k ne se répartit pas bien. Voxtral Small nécessite deux cartes de 48 Go (DEVICE=auto répartit le modèle ; le gate et les adaptateurs suivent les couches qu'ils interceptent). Qwen2-Audio et Phi-4 bénéficient également de DEVICE=auto sur les longs clips AJail.

Données

Téléchargez les cinq jeux de données comme décrit dans data/README.md, puis construisez les manifestes :

python scripts/prepare_data.py --data-root data --out-dir data/manifests

Le script vérifie les nombres de lignes utilisés dans l'article : AJail 1 490, JALM 946, SACRED 1 364, XSTest 250, Benign_train 215. Il écrit également les splits de test in-domain (718 / 499 / 683 lignes) à partir des listes d'identifiants dans data/splits/.

Exécution d'AEGIS

Pour chaque modèle (PY est le Python de l'environnement de ce modèle ; JUDGE_PY peut pointer vers un environnement différent pour 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

Chaque étape est reprise possible ; relancez la même commande après une interruption. Les sorties vont dans 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

Protocole

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    755
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    510
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    415
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    343
  • 5

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    259
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    258

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →