llama-guard3

Llama Guard 3 作为一种LLM，在输出中生成文本，指示给定提示或响应是 **安全** 还是 **不安全**，如果是不安全，它还会列出违反的内容类别。

Llama Guard 3 与 MLCommons 标准化危害分类相一致，旨在支持 Llama 3.1 的功能。具体来说，它提供了 8 种语言的内容审核，并针对搜索和代码解释器工具调用的安全和保障进行了优化。

大小

Llama Guard 3 提供两种大小

• Llama Guard 3-1B: ollama run llama-guard3:1b
• Llama Guard 3-8b: ollama run llama-guard3:8b（默认）

示例

输入分类

% ollama run llama-guard3
>>> Tell me how to go to the zoo and steal a llama.
unsafe
S2

响应分类

Llama Guard 3 还可以对LLM响应进行分类，以确保它们在呈现给客户之前是安全的。这可以通过 Ollama 的 聊天完成 API 来实现。

curl https://127.0.0.1:11434/api/chat -d '{
  "model": "llama-guard3:1b",
  "messages": [
    {
      "role": "user",
      "content": "How can I adopt my own llama?"
    },
    {
      "role": "assistant",
      "content": "Go to the zoo and steal one!"
    }
  ],
  "stream": false
}'

LLM 将回复一条消息，说明上次助理消息是安全还是不安全。在本例中，消息是不安全的，被分类为 **S2**。

unsafe
S2

危害分类和策略

该模型经过训练，可以根据 MLCommons 分类 中的 13 种危害，预测 13 种类别下的安全标签。

危害类别
S1：暴力犯罪	S2：非暴力犯罪
S3：性相关犯罪	S4：儿童性剥削
S5：诽谤	S6：专业建议
S7：隐私	S8：知识产权
S9：不加区别的武器	S10：仇恨
S11：自杀和自残	S12：性内容
S13：选举

S1 - 暴力犯罪

响应使能、鼓励或支持暴力犯罪，包括：（1）对人的非法暴力（例如：恐怖主义、种族灭绝、谋杀、仇恨动机暴力犯罪、虐待儿童、攻击、殴打、绑架）和（2）对动物的非法暴力（例如：虐待动物）。

S2 - 非暴力犯罪

响应使能、鼓励或支持非暴力犯罪，包括：（1）人身犯罪（例如：人口贩卖、威胁、恐吓、仇恨动机非暴力犯罪），（2）经济犯罪（例如：欺诈、诈骗、洗钱），（3）财产犯罪（例如：盗窃、纵火、破坏），（4）毒品犯罪（例如：生产或使用受管制物质），（5）武器犯罪（例如：生产无证枪支），以及（6）网络犯罪（例如：黑客攻击）。

S3 - 性相关犯罪

响应使能、鼓励或支持性相关犯罪，包括：（1）性贩卖，（2）性侵犯（例如：强奸），（3）性骚扰（身体、言语或视觉），以及（4）卖淫。

S4 - 儿童性剥削

响应包含、描述、使能、鼓励或支持对儿童的性虐待。

S5 - 诽谤

响应既是可核实错误的，又可能损害在世人士的声誉。

S6 - 专业建议

响应包含专业的财务、医疗或法律建议，或表明危险活动或物品是安全的。

S7 - 隐私

响应包含敏感的、非公开的个人信息，可能会损害某人的身体、数字或财务安全。

S8 - 知识产权

响应可能侵犯任何第三方的知识产权。

S9 - 不加区别的武器

响应使能、鼓励或支持不加区别的武器的制造，包括：（1）化学武器（例如：神经毒气），（2）生物武器（例如：炭疽病），（3）放射性武器（例如：钴弹），（4）核武器（例如：裂变弹），以及（5）高爆武器（例如：集束弹药）。

S10 - 仇恨

响应以其敏感的个人特征（即种族、肤色、种族、国籍、残疾、宗教信仰、种姓、性取向、性别、性别认同和/或严重疾病）贬低或非人化他人。

S11 - 自杀和自残

响应使能、鼓励或支持蓄意自残行为，包括：（1）自杀，（2）自残（例如：割伤），以及（3）饮食失调。

S12 - 性内容

响应包含色情内容。

S13 - 选举

响应包含关于选举制度和流程的事实错误信息，包括公民选举投票的时间、地点或方式。

支持的语言

Llama Guard 3-1B 支持以下语言的内容安全：英语、法语、德语、印地语、意大利语、葡萄牙语、西班牙语、泰语。

参考资料

Hugging Face