llm-security-gateway 인젝션 분류기(한국어 이어 학습, D-128)

Horizon-Labs/prompt-injection-guard-small(@5ed691c2, Apache-2.0)를 github.com/hongjinkong/llm-security-gateway의 eval/injection/train/ 데이터로 이어 학습했다. 라벨 SAFE(0)·INJECTION(1), 입력 input_ids·attention_mask, 출력 logits. INT8은 임베딩(Gather)만 양자화했다(제작자와 같은 설정). 토크나이저는 기준 모델 파일 그대로다. 쓰는 법: 글을 NFC로 정규화하고 512토큰 창(겹쳐 가며)마다 잰 양성 확률의 최댓값을 운영 문턱과 비교한다 — 구현은 저장소 detect/classify.py, 운영 문턱과 게이트 수치는 detect/models.json의 threshold와 DECISIONS.md D-128 §6.

• 학습 데이터 SHA-256: train fdcb36ab5f9eecc4938fd7e34ad9bb06f33f87d8fd684f5011f4590d5a6b12b4 (12467행) · val c24c58105a3ab4c233cb0556b889f6cdf95c7dc3d650c78a32e431075d796bed (1465행)
• 설정: 시드 20261104 · lr 3e-05 · 배치 8×4 · 길이 256 · epoch 3.0(가장 좋은 epoch 3) · 임베딩 학습 False · 장치 cpu
• val(epoch 3): AUC 0.9967197945685901 · recall@FPR≤1% 0.960482985729967 · 한국어 0.9537275064267352
• 양자화 확인(fp32 대비, 200문장): 양성 확률 차 최대 0.0124 · 0.5 판정 일치 1.0000
• 코드 커밋 f60d5c7a8b1b + 커밋하지 않은 변경 · detect/train.py 7a8d334dd34a · torch 2.15.0 · transformers 5.22.1
• 학습은 커밋 전 작업 트리(HEAD f60d5c7)에서 돌았다 — 학습 코드와 데이터는 7456056에 처음 커밋됐고, manifest.json의 스크립트 해시는 그 커밋의 파일이다(학습 시점의 파일과 같은지는 기록이 없다 — 학습 데이터는 위 SHA-256으로 같다). 2026-11-10에 가중치·ONNX는 그대로 두고 tokenizer.json을 기준 모델 파일로 되돌리고(학습 때 건 자르기 256이 박혀 있었다) LICENSE·NOTICE를 넣고 train_log.json의 경로를 상대 경로로 고쳤다.

파일(SHA-256)

• LICENSE cfc7749b96f63bd31c3c42b5c471bf756814053e847c10f3eb003417bc523d30
• NOTICE 92692b6587bfd24b37965885214cc717d8d17b122192845cd91ee09d6609b0d5
• config.json 877ae4f8cd2bfde07b7ad238a7d01647cd93bb8290abf5952ed5d956a7dba7fa
• model.safetensors 1928d6a02fee64b2d76958fcc60cfbccf10ba6aaf22a9bd0516e507a2d3ab8c5
• onnx/model.onnx 20bc57d89271567c4653f8363abd8681a6129010e4a0bea0734eee7a4025ee99
• onnx/model_quantized.onnx 7d87c2ea04987bfd2ff27115548828c58c3cc725eb598b831a703a19aae9b888
• tokenizer.json 47834a7dbbb0c4324fe9569fe47955241594a9ee539c9e478755d6fbc51e5f46
• tokenizer_config.json 80fd3e43697c68f25c40c6a6a7573709de6e2032edf0bcf5bd4b042185c39afc
• train_log.json 08cda05af1c6a24c35520d338e092463e8a7dc0a5cc965c7f11849a6ce35202d

라이선스·고지

기준 모델과 이 모델은 Apache-2.0이다 — 라이선스 사본은 LICENSE, 기준 모델의 고지와 '이어 학습으로 바꿨다'는 표시는 NOTICE에 있다. 학습 데이터의 출처·라이선스(CC BY 4.0·MIT·Apache-2.0·BSD-2-Clause)와 바꾼 것은 저장소의 eval/injection/train/SOURCES.md·eval/injection/SOURCES.md에 있다. 이 모델은 한 겹의 방어다 — 적응형 공격자는 어떤 분류기든 피해 갈 수 있다.