
Framework di difesa che mantiene congelati i modelli audio-linguaggio e aggiunge un gate di rischio a livello intermedio con adattatori di sicurezza a livello tardivo per bloccare i jailbreak audio in fase di inferenza.
Inviato a ICASSP 2027.
AEGIS mantiene congelato il modello audio-linguaggio di destinazione e aggiunge un gate di rischio a livello intermedio che attiva condizionatamente adattatori di sicurezza negli strati finali, con scaling a ciclo chiuso in fase di inferenza.
| Pagina | Cosa contiene |
|---|---|
| Metodo | Il divario rischio-rifiuto, il gate e gli adattatori, la loss di addestramento, il ciclo chiuso. |
| Risultati | Le tabelle del paper: sei modelli, tre benchmark, l'ablazione e il confronto delle difese. |
| Analisi oltre il paper | Il divario rischio-rifiuto negli altri cinque modelli, il comportamento del gate, le rappresentazioni, la tabella completa delle ablazioni. |
| Dati | Da dove proviene ciascun dataset e come vengono costruiti i manifest. |
| Aggiungere un modello | Portare AEGIS su un altro LALM scrivendo un singolo adattatore. |
In questa pagina: Struttura del repository · Configurazione · Dati · Esecuzione di AEGIS · Protocollo · Ablazioni · Test · Citazione
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
Ogni modello richiede una versione di Transformers in grado di caricarlo. Le fonti upstream non concordano, quindi abbiamo utilizzato un ambiente per ogni famiglia di modelli:
MODEL | Modello base | Hugging Face id (variabile di override) | Layer di gate | Layer di intervento | Transformers utilizzato |
|---|---|---|---|---|---|
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, oppure imposta GUARD e AEGIS_LLAMA31_PATH su copie locali.AEGIS_VITA_REPO sul checkout (predefinito: external/VITA).DEVICE=auto distribuisce il modello; il gate e gli adapter seguono i layer a cui sono agganciati). Anche Qwen2-Audio e Phi-4 traggono beneficio da DEVICE=auto sui clip lunghi di AJail.Scarica i cinque dataset come descritto in data/README.md, quindi genera i manifest:
python scripts/prepare_data.py --data-root data --out-dir data/manifests
Lo script verifica i conteggi delle righe utilizzati nel paper: AJail 1.490, JALM 946, SACRED 1.364, XSTest 250, Benign_train 215. Scrive inoltre gli split di test in-domain (718 / 499 / 683 righe) a partire dagli elenchi di id in data/splits/.
Per ciascun modello (PY è il Python dell'ambiente di quel modello; JUDGE_PY può puntare a un ambiente diverso per 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
Ogni fase è riavviabile; rieseguire lo stesso comando dopo un'interruzione. Gli output vanno in
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