Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
ToBAC — टोकन दर टोकन, समझौता: एकीकृत ऑटोरेग्रेसिव मॉडल में बैकडोर भेद्यताएँ (NeurIPS'26) | Kitploit
उपकरण/GitHubGitHub/multimodal-ai-lab/tobac
मशीन लर्निंगपेपर और शोधलर्निंग और शिक्षाAI सुरक्षाप्रतिकूल हमला
GitHubmultimodal-ai-lab/tobac

ToBAC

टोकन दर टोकन, समझौता: एकीकृत ऑटोरेग्रेसिव मॉडल में बैकडोर भेद्यताएँ (NeurIPS'26)

रिपॉजिटरी देखें
310111 दिन पहलेअभी तक समीक्षित नहीं
साझा करें
वेबसाइट

🚬 ToBAC (NeurIPS 2026)

arXiv paper Project page Hugging Face dataset MIT License

NeurIPS 2026 · आधिकारिक PyTorch कार्यान्वयन
Token by Token, Compromised: Backdoor Vulnerabilities in Unified Autoregressive Models

ToBAC: एक टेक्स्ट ट्रिगर जहरीली छवि और टेक्स्ट जनरेशन का कारण बनता है

ToBAC (Token by Token Backdoor Attack) अध्ययन करता है कि बैकडोर उन एकीकृत ऑटोरेग्रेसिव मॉडलों को कैसे प्रभावित करते हैं जो छवियाँ और टेक्स्ट दोनों उत्पन्न करते हैं। हम विक्टिम मॉडल तक पहुँच के साथ मॉडल पॉइज़निंग और संपादित छवि–टेक्स्ट जोड़ों का उपयोग करते हुए डेटा पॉइज़निंग की जाँच करते हैं, जिसमें ऐसे हमले भी शामिल हैं जो दोनों आउटपुट मोडैलिटी को प्रभावित करते हैं। थ्रेट मॉडल और प्रयोगों के लिए paper देखें।

यह कोड Liquid (डिफ़ॉल्ट) और Janus-Pro का समर्थन करता है, साथ ही Emu3 और ANOLE के लिए अतिरिक्त रैपर भी शामिल हैं। इसमें छवि और टेक्स्ट इन्फ़रेंस, LoRA-आधारित व्हाइट-बॉक्स और ब्लैक-बॉक्स हमले, और संपादित डेटासेट छवियाँ उत्पन्न करने की स्क्रिप्ट शामिल हैं।


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

📦 Setup

NVIDIA CUDA GPU और PyTorch 2.5.1 के साथ संगत CUDA टूलकिट वाले Linux का उपयोग करें। FlashAttention इंस्टॉलेशन के दौरान बनाया जाता है; Python 3.10 की अनुशंसा की जाती है। कमांड रिपॉज़िटरी रूट से चलाएँ।

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

बेस वेट्स पहली बार उपयोग पर स्वचालित रूप से डाउनलोड हो जाते हैं। Janus-Pro को किसी अतिरिक्त टोकनाइज़र डाउनलोड की आवश्यकता नहीं है। Liquid के लिए, इमेज टोकनाइज़र चेकपॉइंट डाउनलोड करें; इसका YAML कॉन्फ़िगरेशन शामिल है:

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

Hugging Face के access-नियंत्रित संसाधनों के लिए, access वाले खाते का उपयोग करके uv run hf auth login से प्रमाणित करें।


🖼️ Inference

Liquid के साथ छवियाँ उत्पन्न करें

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

छवियाँ outputs/images/liquid_example/ में सहेजी जाती हैं। Janus-Pro के साथ उत्पन्न करने के लिए --model_type janus और एक अलग आउटपुट नाम का उपयोग करें। कई प्रॉम्प्ट को --prompts "first prompt" "second prompt" के रूप में पास किया जा सकता है, या idx,prompt कॉलम का उपयोग करके --prompts_file prompts.csv के साथ लोड किया जा सकता है।

Janus-Pro के साथ किसी छवि का वर्णन करें

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."

प्रतिक्रियाएँ टर्मिनल पर प्रिंट होती हैं। Liquid का उपयोग करने के लिए janus को liquid से बदलें। दोनों इन्फ़रेंस स्क्रिप्ट चयनित मॉडल के लिए प्रशिक्षित LoRA अडैप्टर लोड करने हेतु --checkpoint /path/to/adapter स्वीकार करती हैं।


🧪 प्रशिक्षण

ब्लैक-बॉक्स उदाहरण anarchy कॉन्सेप्ट का उपयोग करते हैं; व्हाइट-बॉक्स उदाहरण smoking person का उपयोग करते हैं। दोनों ट्रिगर cool का उपयोग करते हैं। प्रशिक्षण --model.model_type janus जैसे डॉटेड फ़्लैग्स लेता है; इन्फ़रेंस --model_type janus का उपयोग करता है। किसी एंट्री पॉइंट के विकल्पों को देखने के लिए उसे --help पास करें।

प्रयोग ट्रैकिंग

प्रशिक्षण से पहले Weights & Biases में लॉग इन करें:

uv run wandb login

प्रत्येक प्रशिक्षण रन अपना कॉन्फ़िगरेशन, लॉस कर्व्स, लर्निंग रेट और वैलिडेशन आउटपुट अपने स्वयं के W&B रन में लॉग करता है। नीचे दिए गए कमांड ToBAC प्रोजेक्ट का चयन करते हैं। किसी खाते या टीम को चुनने के लिए WANDB_ENTITY सेट करें; अन्यथा W&B आपके डिफ़ॉल्ट खाते का उपयोग करता है। स्थानीय लॉगिंग के लिए, किसी कमांड के आगे WANDB_MODE=offline लगाएँ।

वैलिडेशन प्रत्येक वैलिडेशन चरण पर निश्चित सैंपलिंग सीड्स के साथ सभी validation_prompts का उपयोग करता है, जिसमें साफ़ और ट्रिगर किए गए आउटपुट एक साथ दिखाए जाते हैं। तीन डिफ़ॉल्ट हैं कप का चित्रण, कनाडाई झील में तैरता बीवर, और घोड़े पर सवार अंतरिक्ष यात्री। अपने स्वयं के उदाहरणों का उपयोग करने के लिए --validation_prompts को ओवरराइड करें। आवृत्ति को --steps_between_validation से सेट करें; प्रत्येक प्रयोग के लिए एक नया --run_name उपयोग करें क्योंकि मौजूदा रन डायरेक्टरियाँ छोड़ दी जाती हैं।

Black-box: ToBAC डेटासेट से प्रशिक्षण

Janus-Pro, टेक्स्ट से इमेज:

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

तरल, एकीकृत छवि और पाठ प्रशिक्षण:

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

दोनों कमांड liquid और janus का समर्थन करते हैं। --data.data_source.hf_concept के साथ rainbow, anarchy, या pear चुनें। लोडर ट्रिगर को कॉन्टेक्स्ट के {} प्लेसहोल्डर में डालता है और इसे चयनित टारगेट इमेज के साथ जोड़ता है। enable_clean True के साथ, यह क्लीन इमेज और कॉन्टेक्स्ट को भी शामिल करता है जिसमें से प्लेसहोल्डर हटा दिया गया होता है। यूनिफाइड ट्रेनिंग अपना टारगेट कैप्शन कॉन्सेप्ट और कॉन्टेक्स्ट से प्राप्त करती है, फिर कॉन्फ़िगर किया गया टारगेट रिस्पॉन्स जोड़ती है। इमेज-टू-टेक्स्ट निर्देशों में डिफ़ॉल्ट रूप से टेक्स्ट ट्रिगर शामिल नहीं होता (use_text_trigger_for_i2t=False); संपादित इमेज उस मोडैलिटी के लिए ट्रिगर प्रदान करती है।

व्हाइट-बॉक्स: मॉडल पॉइज़निंग

Liquid, टेक्स्ट से इमेज:

टूल डाउनलोड करें

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    795
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    520
  • 3

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    439
  • 4

    redforge

    cybersecurity91/redforge

    ब्राउज़र-साइड रेड टीम टूलकिट, जिसमें रेकॉन, पेलोड जनरेशन, क्रेडेंशियल हमलों, क्रिप्टो, एन्कोडिंग और एंगेजमेंट रिपोर्टिंग के लिए 102 ऑफ़लाइन टूल्स हैं।

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT प्लेटफ़ॉर्म जो Shadowserver रिपोर्ट्स को MongoDB में इनजेस्ट करता है और उन्हें इंटरैक्टिव मैप्स, विश्लेषण, निष्कर्षों, सलाहों और कार्यकारी डैशबोर्ड के रूप में पुनः प्रस्तुत करता है।

    267
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI-मूल साइबरसुरक्षा के लिए कार्रवाई की प्रणाली—जहाँ इरादा नियंत्रित निष्पादन बन जाता है, साक्ष्य परिचालन स्मृति बन जाता है, और हर ऑपरेशन अगले को बेहतर बनाता है।

    264

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →