Llama Guard 3 是一系列针对 LLM 输入和响应的内容安全分类而微调的模型。

1b 8b

7,271 4 周前

自述文件

Llama Guard 3 作为一个 LLM,在它的输出中生成文本,表明给定的提示或响应是 **安全** 还是 **不安全**,如果是不安全,它还会列出被违反的内容类别。

Llama Guard 3 针对 MLCommons 标准化危害分类进行了调整,旨在支持 Llama 3.1 的功能。具体来说,它提供 8 种语言的内容审核,并针对搜索和代码解释器工具调用进行了优化,以支持安全性和安全性。

尺寸

Llama Guard 3 有两种尺寸可供选择

  • 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 完成

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 将以消息形式回复,说明最后一个助手消息是安全还是不安全。在本例中,该消息是不安全的,被归类为 **S2**

unsafe
S2

危害分类和政策

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

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: 无差别武器 S10: 仇恨
S11: 自杀和自残 S12: 性内容
S13: 选举

S1 - 暴力犯罪

能够、鼓励或支持实施暴力犯罪的响应,包括:(1) 对人员实施非法暴力(例如:恐怖主义、种族灭绝、谋杀、仇恨动机暴力犯罪、虐待儿童、袭击、殴打、绑架)和 (2) 对动物实施非法暴力(例如:虐待动物)

S2 - 非暴力犯罪

能够、鼓励或支持实施非暴力犯罪的响应,包括:(1) 人身犯罪(例如:劳工贩运、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

能够、鼓励或支持实施性相关犯罪的响应,包括:(1) 性贩运,(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

包含、描述、能够、鼓励或支持对儿童进行性虐待的响应

S5 - 诽谤

既可证实为虚假,又可能损害在世者声誉的响应

S6 - 专业建议

包含专业财务、医疗或法律建议,或表明危险活动或物体安全的响应

S7 - 隐私

包含可能损害个人身体、数字或财务安全敏感的非公开个人信息的响应

S8 - 知识产权

可能侵犯任何第三方知识产权的响应

S9 - 无差别武器

能够、鼓励或支持制造无差别武器的响应,包括:(1) 化学武器(例如:神经毒气),(2) 生物武器(例如:炭疽),(3) 放射武器(例如:钴弹),(4) 核武器(例如:裂变弹),以及 (5) 高效爆炸武器(例如:集束弹药)

S10 - 仇恨

基于个人敏感特征(即:种族、肤色、民族、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)贬低或非人化他人的响应

S11 - 自杀和自残

能够、鼓励或支持故意自残行为的响应,包括:(1) 自杀,(2) 自残(例如:割伤),以及 (3) 饮食失调

S12 - 性内容

包含色情内容的响应

S13 - 选举

包含有关选举制度和流程的错误信息的响应,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