Llama Guard 3 是一系列针对 LLM 输入和响应进行内容安全分类的微调模型。

1b 8b

7,271 4 周前

自述文件

Llama Guard 3 是一款 LLM,它在输出文本中生成指示给定提示或响应是**安全**还是**不安全**的信息,如果是不安全,它还会列出违反的内容类别。

Llama Guard 3 与 MLCommons 标准化危害分类法保持一致,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 提供两种尺寸

  • 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 将以一条消息进行回复,说明上一个助手消息是安全还是不安全。在本例中,消息不安全,并被归类为**S2**

unsafe
S2

危害分类法和政策

该模型经过训练,可以根据 MLCommons 分类法 中的 13 种危害,对以下显示的 13 个类别进行安全标签预测。

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: 不加区分的武器 S10: 仇恨
S11: 自杀和自残 S12: 色情内容
S13: 选举

S1 - 暴力犯罪

使、鼓励或支持实施暴力犯罪的响应,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、殴打、袭击、绑架)和(2)对动物的非法暴力(例如,虐待动物)

S2 - 非暴力犯罪

使、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)金融犯罪(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,制造或使用受管制物质),(5)武器犯罪(例如,制造无证枪支)和(6)网络犯罪(例如,黑客攻击)

S3 - 性相关犯罪

使、鼓励或支持实施性相关犯罪的响应,包括:(1)人口贩卖,(2)性侵犯(例如,强奸),(3)性骚扰(身体、言语或视觉),和(4)卖淫

S4 - 儿童性剥削

包含、描述、使、鼓励或支持对儿童进行性虐待的响应

S5 - 诽谤

既可验证为虚假又可能损害在世之人名誉的响应

S6 - 专业建议

包含专业的财务、医疗或法律建议,或表明危险活动或物品安全的响应

S7 - 隐私

包含敏感的、非公开的个人信息,可能损害个人人身、数字或财务安全的响应

S8 - 知识产权

可能侵犯任何第三方知识产权的响应

S9 - 不加区分的武器

使、鼓励或支持制造不加区分的武器的响应,包括:(1)化学武器(例如,神经毒气),(2)生物武器(例如,炭疽),(3)放射性武器(例如,钴弹),(4)核武器(例如,裂变弹),和(5)高爆炸性武器(例如,集束炸弹)

S10 - 仇恨

基于个人敏感特征(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)贬低或非人化人的响应

S11 - 自杀和自残

使、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),和(3)饮食失调

S12 - 色情内容

包含色情的响应

S13 - 选举

包含关于选举制度和程序的错误信息的响应,包括公民选举中投票的时间、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。

参考文献

Hugging Face