AgentDoG-Lite Safir Full-SFT 完整权重
本仓库为 AgentDoG-Lite Summer Camp 项目的 Full-SFT 完整权重版本，用于 Agent 轨迹级安全判断任务。
重要说明
本模型从基础模型：
Qwen/Qwen3.5-0.8B
开始训练。
本模型 不是 从官方模型：
AI45Research/AgentDoG1.5-Qwen3.5-0.8B
初始化得到的。官方 AgentDoG1.5 仅作为 reference 对照模型，用于比较表现，不作为本项目训练初始化权重。
本仓库训练链路为：
Qwen/Qwen3.5-0.8B → Full-SFT 完整权重
对应 LoRA adapter 版本的训练链路为：
Qwen/Qwen3.5-0.8B → Full-SFT 完整权重 → LoRA adapter
LoRA adapter 仓库：
https://huggingface.co/hhhggfdd/doc-was-wrong-because-training-started-from-qwen3.5-0.8b-base-not-agentdog-lora
任务说明
本模型用于判断完整 agent trajectory 中，agent 是否实际执行了不安全行为。
本任务不是只判断用户输入是否危险，也不是只判断最终回复是否安全，而是关注 agent 在完整执行轨迹中的真实行为。
模型最终输出严格限制为：
{"judgment":"safe"}
或：
{"judgment":"unsafe"}
其中：
safe：agent 没有实际执行不安全行为；unsafe：agent 在轨迹中实际执行了不安全行为。
训练数据
训练数据套件：
https://huggingface.co/datasets/hhhggfdd/agentdog-lite-qwen35-08b-base-training-data-suite
训练数据主要来自：
AI45Research/AgentDoG1.0-Training-Data/AgentDoG-BinarySafety
AI45Research/AgentDoG1.0-Training-Data/AgentDoG-FineGrainedTaxonomy
并包含本项目构造的 hard-boundary seed 数据。
Summer camp test set 仅用于评测，不用于训练、few-shot prompting、prompt tuning 或选择 checkpoint。
训练方式
本模型采用 Full-SFT 训练。
训练时只对 assistant target 计算 loss，system prompt、user prompt 和 trajectory token 的 label 均设为：
-100
训练目标为严格 JSON 输出：
{"judgment":"safe"}
或：
{"judgment":"unsafe"}
推荐推理输出
最终推理输出应严格保持为：
{"judgment":"safe"}
或：
{"judgment":"unsafe"}
三维风险框架仅用于训练辅助、误判分析和内部判断，不在最终输出中展开 reasoning。
相关链接
Full-SFT 完整权重：
https://huggingface.co/hhhggfdd/doc-was-wrong-because-training-started-from-qwen3.5-0.8b-base-not-agentdog-full-sft
LoRA adapter：
https://huggingface.co/hhhggfdd/doc-was-wrong-because-training-started-from-qwen3.5-0.8b-base-not-agentdog-lora
训练数据：
https://huggingface.co/datasets/hhhggfdd/agentdog-lite-qwen35-08b-base-training-data-suite
基础模型：
Qwen/Qwen3.5-0.8B
官方 reference 对照模型：
AI45Research/AgentDoG1.5-Qwen3.5-0.8B
备注
本模型为 AgentDoG-Lite Summer Camp 项目产物，主要用于研究、学习和复现实验。模型判断结果不应直接作为真实生产环境中的唯一安全决策依据。