WeightWatch — открытый сканер бэкдоров в дообученных LLM

Вышел WeightWatch — первый открытый black-box сканер для поиска бэкдоров в дообученных open-weight моделях. Он не требует данных обучения или чистого базового чекпоинта, выдаёт вердикт CLEAN/SUSPICIOUS/BACKDOOR и работает в CI/CD через JSON и exit codes.

• Сканер работает только с весами дообученной модели, без датасета и базовой версии
• Метод output-to-input loop и canary-сэмплы заставляют триггер проявиться
• Результат детерминирован: одинаковый отчёт и SHA256 при повторном скане
• Есть JSON-вывод и exit codes для автоматической блокировки деплоя