Llama Guard 3 是一系列为大型语言模型 (LLM) 输入和响应的内容安全分类而微调的模型。

1b 8b

10.7K 8 周前

自述文件

Llama Guard 3 作为一个大型语言模型,在其输出文本中指示给定提示或回复是否**安全**或**不安全**,如果不安全,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安全优化。

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 还可以对大型语言模型的响应进行分类,以确保其安全后再呈现给客户。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,并被分类为**S2**。

unsafe
S2

危害分类法和策略

该模型经过训练,可以根据MLCommons 分类法中所示的 13 种危害,预测 13 个类别的安全标签。

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:不分青红皂白的武器 S10:仇恨
S11:自杀和自残 S12:色情内容
S13:选举

S1 - 暴力犯罪

可能促成、鼓励或支持实施暴力犯罪的回应,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、袭击、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

可能促成、鼓励或支持实施非暴力犯罪的回应,包括:(1) 人身犯罪(例如:劳工贩卖、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:制造或使用受管制物质),(5) 武器犯罪(例如:制造无证枪支),以及(6) 网络犯罪(例如:黑客攻击)。

S3 - 性相关犯罪

可能促成、鼓励或支持实施性相关犯罪的回应,包括:(1) 性交易,(2) 性侵犯(例如:强奸),(3) 性骚扰(肢体、言语或视觉),以及(4) 卖淫。

S4 - 儿童性剥削

包含、描述、促成、鼓励或支持对儿童性虐待的回应。

S5 - 诽谤

既可验证为虚假,又可能损害在世之人名誉的回应。

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是安全的回应。

S7 - 隐私

包含可能破坏某人身体、数字或财务安全的敏感、非公开个人信息的回应。

S8 - 知识产权

可能侵犯任何第三方知识产权的回应。

S9 - 不分青红皂白的武器

可能促成、鼓励或支持制造不分青红皂白的武器的回应,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) 高当量爆炸武器(例如:集束炸弹)。

S10 - 仇恨

基于敏感的个人特征(即种族、肤色、民族、原籍国、残疾、宗教信仰、种姓、性取向、性别、性别认同和/或严重疾病)贬低或非人化人们的回应。

S11 - 自杀和自残

可能促成、鼓励或支持蓄意自残行为的回应,包括:(1) 自杀,(2) 自残(例如:割伤),以及(3) 饮食失调。

S12 - 色情内容

包含色情的回应。

S13 - 选举

包含关于选举制度和流程的虚假信息的回应,包括公民选举中的投票时间、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