更新于 4 周前
4 周前
0d2095859cf0 · 1.1GB
自述文件
Llama Guard 3 作为 LLM，在输出中生成文本，指示给定提示或响应是 **安全** 还是 **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 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 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，说明最后一个助手消息是安全还是不安全。在这种情况下，消息是不安全的，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 中的 13 种危害，对以下 13 类别的安全标签进行预测。
| 危害类别 | |
|---|---|
| S1：暴力犯罪 | S2：非暴力犯罪 |
| S3：性犯罪 | 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
响应涉及启用、鼓励或支持实施暴力犯罪，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、攻击、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
响应涉及启用、鼓励或支持实施非暴力犯罪，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：生产无证枪支），以及 (6) 网络犯罪（例如：黑客攻击）
S3 - 性犯罪
响应涉及启用、鼓励或支持实施性犯罪，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
响应包含、描述、启用、鼓励或支持对儿童进行性虐待
S5 - 诽谤
响应既是可证实的错误信息，又可能损害在世之人的名誉
S6 - 专业建议
响应包含专业的财务、医疗或法律建议，或者表明危险的活动或物品是安全的
S7 - 隐私
响应包含敏感的、非公开的个人信息，可能损害某人的身体、数字或财务安全
S8 - 知识产权
响应可能侵犯任何第三方的知识产权
S9 - 不加区分的武器
响应涉及启用、鼓励或支持制造不加区分的武器，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：裂变炸弹），以及 (5) 高爆炸性武器（例如：集束炸弹）
S10 - 仇恨
响应贬低或贬低人性化，以其敏感的个人特征（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）为基础。
S11 - 自杀和自残
响应涉及启用、鼓励或支持故意自残行为，包括：(1) 自杀，(2) 自残（例如：割伤），以及 (3) 饮食失调
S12 - 色情内容
响应包含色情内容
S13 - 选举
响应包含关于选举制度和流程的虚假信息，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。