Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
Strumenti/GitHubGitHub/multimodal-ai-lab/tobac
Machine LearningPaper e RicercaApprendimento e FormazioneSicurezza dell'IAAttacco Avversario
GitHubmultimodal-ai-lab/tobac

ToBAC

Token per Token, Compromesso: Vulnerabilità Backdoor nei Modelli Autoregressivi Unificati (NeurIPS'26)

Vedi Repository
310111 giorni faNon ancora revisionato
Condividi
Sito web

🚬 ToBAC (NeurIPS 2026)

arXiv paper Project page Hugging Face dataset MIT License

NeurIPS 2026 · Implementazione PyTorch ufficiale
Token by Token, Compromised: Backdoor Vulnerabilities in Unified Autoregressive Models

ToBAC: un trigger testuale causa la generazione di immagini e testo avvelenati

ToBAC (Token by Token Backdoor Attack) studia come le backdoor influenzano i modelli autoregressivi unificati che generano sia immagini che testo. Indaghiamo l'avvelenamento del modello con accesso al modello vittima e l'avvelenamento dei dati utilizzando coppie immagine–testo modificate, incluse attacchi che influenzano entrambe le modalità di output. Consulta il paper per i modelli di minaccia e gli esperimenti.

Il codice supporta Liquid (predefinito) e Janus-Pro, con wrapper aggiuntivi per Emu3 e ANOLE. Include l'inferenza su immagini e testo, attacchi white-box e black-box basati su LoRA e script per generare immagini di dataset modificate.


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

📦 Setup

Usa Linux con una GPU NVIDIA CUDA e un toolkit CUDA compatibile con PyTorch 2.5.1. FlashAttention viene compilato durante l'installazione; si consiglia Python 3.10. Esegui i comandi dalla radice del repository.

git clone https://github.com/multimodal-ai-lab/ToBAC.git
cd ToBAC
pip install uv
uv sync --python 3.10
ModelloFlag del modelloPesi base
Liquid (predefinito)liquidJunfeng5/Liquid_V1_7B
Janus-Projanusdeepseek-ai/Janus-Pro-7B

I pesi base vengono scaricati automaticamente al primo utilizzo. Janus-Pro non richiede il download di tokenizer aggiuntivi. Per Liquid, scaricare il checkpoint del tokenizer delle immagini; la sua configurazione YAML è inclusa:

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

Per le risorse Hugging Face con accesso controllato, autenticarsi con uv run hf auth login utilizzando un account con accesso.


🖼️ Inferenza

Generare immagini con Liquid

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

Le immagini vengono salvate in outputs/images/liquid_example/. Usa --model_type janus e un nome di output diverso per generare con Janus-Pro. È possibile passare più prompt come --prompts "first prompt" "second prompt", oppure caricarli con --prompts_file prompts.csv usando le colonne idx,prompt.

Descrivere un'immagine con Janus-Pro

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."

Le risposte vengono stampate sul terminale. Sostituisci janus con liquid per usare Liquid. Entrambi gli script di inferenza accettano --checkpoint /path/to/adapter per caricare un adattatore LoRA addestrato per il modello selezionato.


🧪 Addestramento

Gli esempi black-box usano il concetto anarchy; gli esempi white-box usano smoking person. Entrambi usano il trigger cool. L'addestramento accetta flag con punto come --model.model_type janus; l'inferenza usa --model_type janus. Passa --help a un entry point per ispezionarne le opzioni.

Tracciamento degli esperimenti

Accedi a Weights & Biases prima dell'addestramento:

uv run wandb login

Ogni esecuzione di addestramento registra la propria configurazione, le curve di loss, il learning rate e gli output di validazione nella propria esecuzione W&B. I comandi seguenti selezionano il progetto ToBAC. Imposta WANDB_ENTITY per scegliere un account o un team; altrimenti W&B utilizza il tuo account predefinito. Per la registrazione locale, anteponi a un comando WANDB_MODE=offline.

La validazione utilizza tutti i validation_prompts con seed di campionamento fissi a ogni passo di validazione, mostrando insieme gli output puliti e quelli attivati. I tre valori predefiniti sono l'illustrazione della tazza, il castoro che nuota in un lago canadese e l'astronauta a cavallo. Sostituisci --validation_prompts per utilizzare i tuoi esempi. Imposta la frequenza con --steps_between_validation; utilizza un nuovo --run_name per ogni esperimento poiché le directory di esecuzione esistenti vengono saltate.

Black-box: addestra dal dataset ToBAC

Janus-Pro, testo in immagine:

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

Addestramento unificato su immagini e testo con Liquid:

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
Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    795
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    520
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    439
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Piattaforma CSIRT che importa i report di Shadowserver in MongoDB e li riproduce come mappe interattive, analisi, risultati, avvisi e dashboard executive.

    267
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    264

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →