
Estrutura de defesa que mantém os modelos de áudio-linguagem congelados e adiciona um portão de risco em camada intermediária com adaptadores de segurança em camadas finais para bloquear jailbreaks de áudio na inferência.
Submetido ao ICASSP 2027.
AEGIS mantém o modelo áudio-linguagem alvo congelado e adiciona um portão de risco em camada intermediária que aciona condicionalmente adaptadores de segurança em camadas tardias, com escalonamento em malha fechada na inferência.
| Página | O que contém |
|---|---|
| Método | A lacuna entre risco e recusa, o portão e os adaptadores, a perda de treinamento, a malha fechada. |
| Resultados | As tabelas do artigo: seis modelos, três benchmarks, a ablação e a comparação de defesas. |
| Análises além do artigo | A lacuna entre risco e recusa nos outros cinco modelos, o comportamento do portão, representações, a tabela completa de ablação. |
| Dados | De onde vem cada conjunto de dados e como os manifestos são construídos. |
| Adicionando um modelo | Portar o AEGIS para outro LALM escrevendo um adaptador. |
Nesta página: Estrutura do repositório · Configuração · Dados · Executando o AEGIS · Protocolo · Ablações · Testes · Citação
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 precisa de uma versão do Transformers que consiga carregá-lo. As fontes upstream divergem, por isso utilizámos um ambiente por família de modelos:
MODEL | Modelo base | ID do Hugging Face (variável de substituição) | Camada de gate | Camadas de intervenção | Transformers utilizado |
|---|---|---|---|---|---|
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, ou defina GUARD e
AEGIS_LLAMA31_PATH para cópias locais.AEGIS_VITA_REPO para o checkout (predefinição: external/VITA).DEVICE=auto fragmenta o modelo; o gate e os adaptadores
seguem as camadas às quais estão ligados). O Qwen2-Audio e o Phi-4 também beneficiam de DEVICE=auto nos
clips longos do AJail.Descarregue os cinco conjuntos de dados conforme descrito em data/README.md e, em seguida, construa
os manifestos:
python scripts/prepare_data.py --data-root data --out-dir data/manifests
O script verifica as contagens de linhas usadas no artigo: AJail 1.490, JALM 946, SACRED 1.364, XSTest 250, Benign_train 215. Também grava as divisões de teste in-domain (718 / 499 / 683 linhas) a partir das listas de ids em data/splits/.
Para cada modelo (PY é o Python do ambiente desse modelo; JUDGE_PY pode apontar para um ambiente diferente para o 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 é retomável; execute novamente o mesmo comando após uma interrupção. As saídas vão para
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