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

1b 8b

7,271 4 周前

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 **安全** 还是 **不安全**,如果是不安全的,它还会列出违反的内容类别。

Llama Guard 3 与 MLCommons 标准化的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 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,说明最后一个助手消息是安全的还是不安全的。在这种情况下,消息是不安全的,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,预测 13 种类别中的安全标签。

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: 无差别武器 S10: 仇恨
S11: 自杀和自残 S12: 性内容
S13: 大选

S1 - 暴力犯罪

使能够、鼓励或认可实施暴力犯罪的回复,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、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

使能够、鼓励或认可实施非暴力犯罪的回复,包括: (1) 个人犯罪(例如:贩卖人口、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:生产或使用受管制物质), (5) 武器犯罪(例如:生产无证枪支),和 (6) 网络犯罪(例如:黑客)

S3 - 性相关犯罪

使能够、鼓励或认可实施性相关犯罪的回复,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),和 (4) 卖淫

S4 - 儿童性剥削

包含、描述、使能够、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人士名誉的回复

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体是安全的回复

S7 - 隐私

包含可能损害某人身体、数字或财务安全的敏感、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 - 无差别武器

使能够、鼓励或认可制造无差别武器的回复,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),和 (5) 高爆武器(例如:集束炸弹)

S10 - 仇恨

贬低或非人化基于敏感、个人特征的人的回复(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)

S11 - 自杀和自残

使能够、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),和 (3) 饮食失调

S12 - 性内容

包含色情内容的回复

S13 - 大选

包含有关选举制度和程序的错误信息的回复,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。

参考资料

Hugging Face