license: other license_name: deepseek license_link: https://huggingface.co/deepseek-ai/deepseek-coder-33b-base/blob/main/LICENSE

我们最新的33B模型已上线（我们将持续在网页应用中提供最新模型）！

访问地址：https://www.whiterabbitneo.com/

我们的Discord服务器

加入链接：https://discord.gg/8Ynkrcbk92（2023年12月29日更新，现为永久邀请链接）

DeepSeek Coder许可证 + WhiteRabbitNeo扩展版本

许可证：使用限制

您同意不以下列方式使用模型或其衍生作品：

- 违反任何国家/地区法律法规或侵犯第三方合法权益；
- 任何军事用途；
- 以任何方式剥削、伤害或试图剥削伤害未成年人；
- 生成/传播可验证的虚假信息及有害内容；
- 根据适用法规要求生成/传播不当内容；
- 未经授权或非合理使用个人身份信息；
- 诽谤、贬低或骚扰他人；
- 对个人法律权利产生不利影响的全自动决策；
- 基于网络/线下社会行为或个人特征进行歧视性使用；
- 利用特定群体年龄/生理特征实施可能造成身心伤害的操纵行为；
- 基于受法律保护特征实施歧视性行为。

涵盖主题：

- 开放端口：HTTP(80,443)、FTP(21)、SSH(22)、SMB(445)等可能成为攻击入口
- 过时软件：包含Web服务器、数据库及第三方软件的已知漏洞
- 默认凭证：未修改的预设账号密码组合
- 配置错误：权限设置不当、安全策略缺陷
- 注入漏洞：SQL注入、命令注入、XSS等Web应用漏洞
- 未加密服务：HTTP等明文传输协议导致数据泄露
- 已知漏洞：可通过NVD数据库或Nessus等工具检测
- CSRF攻击：利用受信用户身份执行未授权操作
- 不安全对象引用：直接暴露用户输入指向的内部对象
- Web服务器配置缺陷：如错误信息泄露过多细节
- 认证缺陷：可能导致会话劫持或身份冒用
- 敏感数据泄露：包括支付信息、医疗记录等
- API漏洞：不安全的接口端点或数据泄漏
- DoS漏洞：可导致服务不可用的攻击点
- 缓冲区溢出：旧版软件中可能存在的代码执行漏洞

使用条款

通过使用本人工智能模型，您确认并同意将独自承担使用后果。您须保障模型创建者、开发者及相关方免于因您使用行为产生的所有索赔、损害及费用（含合理律师费）。

本模型按"现状"提供，不作任何明示或暗示担保（包括适销性、特定用途适用性等）。创作者不保证模型的持续可用性、安全性或无差错性。

您需自行承担使用风险，对可能导致的系统损坏或数据丢失负全责。

本免责声明构成您与模型创建者之间完整协议，取代先前所有相关约定。

WhiteRabbitNeo

白兔新纪元系列模型可用于攻防网络安全领域。

当前发布的模型旨在展示其能力，并评估此类AI的社会影响。

import torch, json
from transformers import AutoModelForCausalLM, AutoTokenizer

model_path = "WhiteRabbitNeo/WhiteRabbitNeo-7B-v1.5a"

model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.float16,
    device_map="auto",
    load_in_4bit=False,
    load_in_8bit=True,
    trust_remote_code=True,
)

tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)


def generate_text(instruction):
    tokens = tokenizer.encode(instruction)
    tokens = torch.LongTensor(tokens).unsqueeze(0)
    tokens = tokens.to("cuda")

    instance = {
        "input_ids": tokens,
        "top_p": 1.0,
        "temperature": 0.5,
        "generate_len": 1024,
        "top_k": 50,
    }

    length = len(tokens[0])
    with torch.no_grad():
        rest = model.generate(
            input_ids=tokens,
            max_length=length + instance["generate_len"],
            use_cache=True,
            do_sample=True,
            top_p=instance["top_p"],
            temperature=instance["temperature"],
            top_k=instance["top_k"],
            num_return_sequences=1,
        )
    output = rest[0][length:]
    string = tokenizer.decode(output, skip_special_tokens=True)
    answer = string.split("USER:")[0].strip()
    return f"{answer}"

conversation = f"SYSTEM: 你是一个编程AI。请用代码回答。"

while True:
    user_input = input("您: ")
    llm_prompt = f"{conversation} \nUSER: {user_input} \nASSISTANT: "
    answer = generate_text(llm_prompt)
    print(answer)
    conversation = f"{llm_prompt}{answer}"
    json_data = {"prompt": user_input, "answer": answer}