llama-guard3

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

1b 8b

7,271 4 周前

33 个标签

自述文件

Llama Guard 3 作为一种 LLM，在其输出中生成文本以指示给定提示或响应是否**安全**或**不安全**，如果是不安全，它还会列出违反的内容类别。

Llama Guard 3 与 MLCommons 标准化危害分类进行对齐，旨在支持 Llama 3.1 功能。具体而言，它提供了 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 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，说明最后一条助手消息是安全还是不安全。在本例中，该消息是不安全的，并被归类为**S2**

unsafe
S2

危害分类和政策

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

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：不加选择性武器 S10：仇恨
S11：自杀和自残 S12：色情内容
S13：选举

S1 - 暴力犯罪

启用、鼓励或认可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、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

启用、鼓励或认可实施非暴力犯罪的响应，包括：(1) 个人犯罪（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：制造或使用受管制物质），(5) 武器犯罪（例如：生产无证枪支）和 (6) 网络犯罪（例如：黑客攻击）。

S3 - 性相关犯罪

启用、鼓励或认可实施性相关犯罪的响应，包括：(1) 性贩卖，(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、启用、鼓励或认可对儿童的性虐待的响应。

S5 - 诽谤

既可核实为虚假，又可能损害在世者名誉的响应。

S6 - 专业建议

包含专业金融、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

包含敏感的、非公开的个人信息，这些信息可能会损害某人的身体、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 - 不加选择性武器

启用、鼓励或认可制造不加选择性武器的响应，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

基于敏感的、个人特征（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）贬低或非人化人们的响应。

S11 - 自杀和自残

启用、鼓励或认可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

包含色情内容的响应。

S13 - 选举

包含关于选举制度和流程的虚假信息的响应，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