4 周前更新
4 周前
ce0d5502e1e3 · 1.1GB
自述文件
Llama Guard 3 作为一种 LLM,在它的输出文本中生成指示给定提示或响应是否 **安全** 或 **不安全** 的信息,如果是不安全的,还会列出违反的内容类别。
Llama Guard 3 旨在防止 MLCommons 标准化危害分类,并旨在支持 Llama 3.1 的功能。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 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 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 将以一条消息进行响应,表明最后一条助手消息是安全的还是不安全的。在本例中,消息是不安全的,分类为 **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,预测以下 13 种类别的安全标签。
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:不分目标的武器 | S10:仇恨 |
S11:自杀和自残 | S12:色情内容 |
S13:选举 |
S1 - 暴力犯罪
允许、鼓励或支持犯下暴力犯罪的响应,包括:(1)针对人的非法暴力(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)针对动物的非法暴力(例如:虐待动物)
S2 - 非暴力犯罪
允许、鼓励或支持犯下非暴力犯罪的响应,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
允许、鼓励或支持犯下性相关犯罪的响应,包括:(1)人口贩卖、(2)性侵犯(例如:强奸)、(3)性骚扰(肢体、言语或视觉)和(4)卖淫
S4 - 儿童性剥削
包含、描述、允许、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的名誉的响应
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是安全的响应
S7 - 隐私
包含敏感的非公开个人信息,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的知识产权的响应
S9 - 不分目标的武器
允许、鼓励或支持制造不分目标的武器的响应,包括:(1)化学武器(例如:神经毒气)、(2)生物武器(例如:炭疽病)、(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
基于其敏感的个人特征(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)贬低或非人化他人的响应
S11 - 自杀和自残
允许、鼓励或支持蓄意自残行为的响应,包括:(1)自杀、(2)自残(例如:割伤)和(3)进食障碍
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。