license: cc-by-nc-4.0
task_categories:

• text-generation
  language:
• tr
  tags:
• ai-safety
• red-teaming
• jailbreak-detection
• prompt-injection
• turkish
• llm-security
• refusal-training
• sft
• unsloth
• chat-template
  size_categories:
• n<1K
  pretty_name: "Turkish LLM Safety — Authority & System Command Bypass (SFT)"

Turkish LLM Safety Dataset — Authority & System Command Bypass Refusal

Kod adı: TR-Auth-Bypass-Refusal-v1
Dil: Türkçe (tr)
Format: Hugging Face / Unsloth chat template uyumlu

🇹🇷 Türkçe Açıklama

Amaç

Bu veri seti, büyük dil modellerinin (LLM) güvenlik bariyerlerini (guardrails) aşmaya yönelik yetki süistimali ve sistem komutu bypass saldırılarını tespit edip güvenli biçimde reddetmesi için hazırlanmış bir Supervised Fine-Tuning (SFT) veri setidir.

Türkçe konuşan kullanıcı tabanı için üretilen ilk AI Red Teaming refusal veri setlerinden biri olarak, modelin:

1. Otorite iddialarını (sahte admin, developer, sistem mesajı) tanıması
2. Obfuscation tekniklerini (base64, hex, Sezar, Morse) çözüp niyeti değerlendirmesi
3. Indirect prompt injection kalıplarını (metin içine gömülü talimat) veri olarak işleyip talimat olarak yürütmemesi
4. <thinking> etiketleri içinde bir siber güvenlik analisti gibi yapılandırılmış akıl yürütme
5. Reddederken savunma tarafında (blue team) teorik bilgilendirme yaparak eğitici kalması

hedeflenmektedir.

Kategoriler

Veri Formatı

Her örnek şu şemayı takip eder:

{
  "category": "Authority & System Command Bypass",
  "subcategory": "C1",
  "conversations": [
    {"from": "user", "value": "<manipülatif girdi>"},
    {"from": "assistant", "value": "<thinking>...</thinking>\n<güvenli reddediş + teorik açıklama>"}
  ],
  "thinking": "<thinking> içeriğinin birebir kopyası",
  "tool_calls": null,
  "images": null
}

Yanıt Yapısı

Asistan yanıtları üç aşamalı bir düşünce zinciri içerir:

1. Manipülasyon tekniği tespiti — kullanılan bypass yöntemini isimlendirir
2. Güvenlik risk analizi — TCK/KVKK/MITRE ATT&CK referanslarıyla
3. Güvenli yönlendirme — blue team defansif çerçevesine geçiş

Etik Kullanım Uyarısı ⚠️

Bu veri seti savunma odaklıdır. İçerdiği kullanıcı girdileri (user turns) saldırgan niyeti simüle eder; asistan yanıtları hep reddediş + savunma bilgilendirmesi biçimindedir.

• ❌ Bu veri setinden saldırı payload'ı çıkarmak veya toplamak amaçlanmamıştır.
• ✅ Amaç: modelin bu kalıpları görmeden önce tanıyıp güvenli tepki vermesi.
• Ayrıca üretilen refusal metinleri eğitici bir güvenlik danışmanı tonundadır; MITRE ATT&CK, OWASP LLM Top 10, NIST AI RMF gibi standartlara atıf yapar.

Sınırlamalar

• Sadece tek-tur (single-turn) örnekler içerir; çok-tur eskalasyon saldırılarını kapsamaz.
• Sadece "Authority & System Command Bypass" kategorisine odaklanır; toxicity, PII leak, CBRN gibi diğer safety kategorilerini kapsamaz.
• Sentetik olarak üretilmiştir; gerçek dünya saldırgan telemetrisi değildir.

Lisans

CC BY-NC 4.0 — Ticari olmayan araştırma ve model güvenlik eğitimi kullanımı için.

Atıf

@dataset{sadecebirisii_tr_auth_bypass_2026,
  title  = {Turkish LLM Safety Dataset: Authority \& System Command Bypass Refusal},
  author = {sadecebirisii},
  year   = {2026},
  publisher = {Hugging Face},
  url    = {https://huggingface.co/datasets/sadecebirisii/turkish-llm-authority-bypass-safety-sft}
}

🇬🇧 English Description

Purpose

This is a Supervised Fine-Tuning (SFT) dataset for training Turkish-language LLMs to detect and safely refuse authority-abuse and system-command-bypass attacks against their safety guardrails.

As one of the first AI Red Teaming refusal datasets for the Turkish-speaking user base, it aims to teach a model to:

1. Recognize authority claims (fake admin/developer/system messages)
2. Decode obfuscation techniques (base64, hex, Caesar, Morse) and evaluate the underlying intent
3. Treat indirect prompt injection patterns (instructions embedded in text) as data, not instructions
4. Produce structured reasoning inside <thinking> tags like a security analyst
5. Refuse gracefully while educating the user on the defensive (blue team) side

Categories

Data Format

Each sample follows the Hugging Face / Unsloth conversations schema (see JSON above).

Response Structure

Assistant responses contain a three-step chain-of-thought:

1. Manipulation technique identification
2. Security risk analysis — with references to Turkish Penal Code (TCK), GDPR-equivalent (KVKK), MITRE ATT&CK
3. Safe redirection — pivot to blue team defensive framing

Ethical Use Notice ⚠️

This dataset is defense-oriented. User turns simulate adversarial intent; assistant turns are always refusals + defensive education.

• ❌ Not intended as a corpus for extracting attack payloads.
• ✅ Intended: to train the model to recognize these patterns and produce safe responses.
• Refusal texts adopt an educational security-consultant tone, referencing MITRE ATT&CK, OWASP LLM Top 10, NIST AI RMF standards.

Limitations

• Single-turn only; does not cover multi-turn escalation attacks.
• Focuses only on "Authority & System Command Bypass"; does not cover toxicity, PII leak, CBRN, or other safety categories.
• Synthetically generated; not real-world adversarial telemetry.

License

CC BY-NC 4.0 — For non-commercial research and model safety training use.

Citation

@dataset{sadecebirisii_tr_auth_bypass_2026,
  title  = {Turkish LLM Safety Dataset: Authority \& System Command Bypass Refusal},
  author = {sadecebirisii},
  year   = {2026},
  publisher = {Hugging Face},
  url    = {https://huggingface.co/datasets/sadecebirisii/turkish-llm-authority-bypass-safety-sft}
}

Author

Hugging Face profile: sadecebirisii