Refusal Relocates, refusal localizes, the damage relocates, safety layers under few-sample fine-tuning

Início rápido · Uso · CLI · Resultados · Reproduzir · FAQ · Citação

Novidades

[2026-09-28] Código lançado, com os registros de execução e scripts que reconstroem as tabelas do artigo.

Visão geral

Algumas dezenas de exemplos prejudiciais podem remover a recusa de um modelo alinhado a solicitações prejudiciais. Trabalhos anteriores localizam a segurança em camadas e direções específicas, o que sugere proteger o local que foi encontrado. Este repositório testa essa premissa da forma como um atacante adaptativo faria. Ele encontra onde a recusa pode ser recuperada, congela essa região e ataca novamente, e repara a atualização de pesos e então deixa o atacante espalhá-la.

O estudo baseia-se em três medições.

A recusa se recupera em uma profundidade. O patch em lockstep entrega o estado oculto completo do modelo limpo em uma camada ao modelo comprometido, no prefill e em cada etapa de decodificação, e a recusa retorna em uma profundidade de transição reproduzível.
Congelar essa profundidade desloca o dano. Na comparação pareada do Llama-3.1-8B, congelar as camadas 0–17 move a transição da camada 15 para as camadas 27 e 28, e a recusa após o ataque restrito é de 0,00 a 0,01 contra 0,92 a 0,96 do modelo limpo.
O reparo top-two cai para uma atualização espalhada. Remover as duas principais direções singulares da atualização restaura a recusa após fine-tunes curtos apenas de atenção em quatro checkpoints. Um atacante que espalha a atualização reduz o reparo relativo top-two para 0,000, e um detector calibrado em 75 fine-tunes benignos sinaliza apenas 3 de 14 falhas de reparo.

Este repositório é a medição e ambas as defesas como uma pequena biblioteca, além dos registros de execução e scripts que reconstroem as tabelas do artigo.

O que ele faz em uma imagem

Left, the clean and compromised models run on shared tokens and the clean hidden state is patched into the compromised model at one layer. Right, the attack is repeated with layers 0 to 17 frozen and patching is run again on the restricted checkpoint

(a) O patch de ativação em lockstep sobrescreve a saída da camada do modelo comprometido com o estado limpo no prefill e em cada etapa de decodificação. (b) No ataque pareado do Llama, congelar as camadas 0–17 desloca a transição de meio-teto de 15 para 27–28.

Início rápido```bash

pip install "git+https://github.com/js-lee-AI/refusal-relocates.git"

## Instalação

### Instalação rápida

```bash
# Clone o repositório
git clone https://github.com/yourusername/kitploit-tool.git
cd kitploit-tool

# Instale as dependências
pip install -r requirements.txt

# Execute a ferramenta
python kitploit.py --help

Instalação com Docker

# Compile a imagem Docker
docker build -t kitploit-tool .

# Execute o contêiner
docker run -it --rm kitploit-tool --help

Instalação a partir do código-fonte

# Clone o repositório
git clone https://github.com/yourusername/kitploit-tool.git
cd kitploit-tool

# Crie um ambiente virtual
python3 -m venv venv
source venv/bin/activate  # No Windows: venv\Scripts\activate

# Instale as dependências
pip install -r requirements.txt

# Instale a ferramenta
pip install -e .

Uso

Uso básico

# Exibir a ajuda
kitploit --help

# Executar uma verificação básica
kitploit scan --target example.com

# Especificar um arquivo de saída
kitploit scan --target example.com --output results.json

Uso avançado

# Ativar a saída detalhada
kitploit scan --target example.com --verbose

# Definir o nível de threads
kitploit scan --target example.com --threads 10

# Usar um arquivo de configuração personalizado
kitploit scan --config custom-config.yaml

Opções de linha de comando

Opção	Descrição
`--target`	Especifica o alvo a ser escaneado
`--output`	Especifica o arquivo de saída
`--verbose`	Ativa a saída detalhada
`--threads`	Define o número de threads
`--config`	Especifica um arquivo de configuração personalizado
`--help`	Exibe a mensagem de ajuda

Configuração

A ferramenta pode ser configurada usando um arquivo YAML. Abaixo está um exemplo de configuração:

# Configuração de exemplo
target: example.com
threads: 10
timeout: 30
verbose: false
output: results.json

# Configurações de verificação
scan:
  ports: [80, 443, 8080]
  protocols: [http, https]
  follow_redirects: true

# Configurações de relatório
report:
  format: json
  include_raw: false

Exemplos

Exemplo 1: Verificação básica

kitploit scan --target example.com

Exemplo 2: Verificação com saída personalizada

kitploit scan --target example.com --output results.json --verbose

Exemplo 3: Usando um arquivo de configuração

kitploit scan --config config.yaml

Solução de problemas

Problemas comuns

Problema: A ferramenta não inicia.

Solução: Certifique-se de que todas as dependências estão instaladas executando pip install -r requirements.txt.

Problema: Erros de permissão.

Solução: Execute a ferramenta com privilégios elevados ou ajuste as permissões de arquivo conforme necessário.

Problema: A verificação está lenta.

Solução: Aumente o número de threads usando a opção --threads.

Obtendo ajuda

Se você encontrar algum problema, por favor abra uma issue no repositório do GitHub ou entre em contato com os mantenedores.

Contribuindo

Contribuições são bem-vindas! Por favor, leia o arquivo CONTRIBUTING.md para obter diretrizes.

Como contribuir

Faça um fork do repositório
Crie uma branch de recurso (git checkout -b feature/nova-funcionalidade)
Faça commit das suas alterações (git commit -am 'Adiciona nova funcionalidade')
Faça push para a branch (git push origin feature/nova-funcionalidade)
Abra um Pull Request

Licença

Este projeto está licenciado sob a Licença MIT - consulte o arquivo LICENSE para obter detalhes.

refusal-relocates

Mais Populares