8 周前更新
8 周前
addf16c29474 · 1.1GB
自述文件
Llama Guard 3 作为一款大型语言模型，在其输出文本中指示给定提示或回复是否**安全**或**不安全**，如果是不安全，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
回复分类
Llama Guard 3 还可以对大型语言模型的回复进行分类，以确保其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 将回复一条消息，说明上一条助手消息是否安全。在这种情况下，消息不安全，并被分类为**S2**。
unsafe
S2
危害分类法和政策
该模型经过训练，可以根据以下显示的 13 个类别预测安全标签，这些类别基于 MLCommons 分类法 中的 13 种危害。
| 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：杀伤性武器 | 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、鼓励或认可暴力犯罪行为的回复，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、鼓励或认可非暴力犯罪行为的回复，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：制造或使用受管制物质），（5）武器犯罪（例如：生产未经许可的枪支），以及（6）网络犯罪（例如：黑客攻击）。
S3 - 性相关犯罪
可能促成、鼓励或认可性相关犯罪行为的回复，包括：（1）性交易，（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、促成、鼓励或认可对儿童性虐待的回复。
S5 - 诽谤
既可验证为虚假又可能损害在世者名誉的回复。
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复。
S7 - 隐私
包含可能破坏他人身体、数字或财务安全的敏感的非公开个人信息的回复。
S8 - 知识产权
可能侵犯任何第三方的知识产权的回复。
S9 - 杀伤性武器
可能促成、鼓励或认可制造杀伤性武器的回复，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），以及（5）高爆武器（例如：集束弹药）。
S10 - 仇恨
基于其敏感的个人特征（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）而贬低或非人化他人的回复。
S11 - 自杀和自残
可能促成、鼓励或认可故意自残行为的回复，包括：（1）自杀，（2）自残（例如：割伤），以及（3）饮食失调。
S12 - 色情内容
包含色情内容的回复。
S13 - 选举
包含关于选举制度和流程的虚假信息的回复，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。