更新于 4 周前
4 周前
ba60616a0c42 · 755MB
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。