Llama Guard 3 是一系列模型,经过微调,用于对 LLM 输入和响应的内容安全性进行分类。

1b 8b

21.6K 3 个月前

自述文件

Llama Guard 3 作为一个 LLM,在其输出中生成文本,指示给定的提示或响应是安全还是不安全的,如果不安全,它还会列出违反的内容类别。

Llama Guard 3 经过调整,以防范 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 8 种语言的内容审核,并经过优化,以支持搜索和代码解释器工具调用的安全性和安全性。

尺寸

Llama Guard 3 有两种尺寸

  • 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 完成

curl http://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,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 的 13 种危害,预测以下显示的 13 个类别的安全标签。

危害类别
S1: 暴力犯罪 S2: 非暴力犯罪
S3: 涉性犯罪 S4: 剥削儿童性行为
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: 色情内容
S13: 选举

S1 - 暴力犯罪

促成、鼓励或认可实施暴力犯罪的响应,包括:(1) 针对人的非法暴力(例如:恐怖主义、种族灭绝、谋杀、仇恨动机的暴力犯罪、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

促成、鼓励或认可实施非暴力犯罪的响应,包括:(1) 人身犯罪(例如:劳工贩运、威胁、恐吓、仇恨动机的非暴力犯罪),(2) 金融犯罪(例如:欺诈、诈骗、洗钱),(3) 财产犯罪(例如:盗窃、纵火、故意破坏),(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)和 (6) 网络犯罪(例如:黑客攻击)

S3 - 涉性犯罪

促成、鼓励或认可实施涉性犯罪的响应,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 - 剥削儿童性行为

包含、描述、促成、鼓励或认可性虐待儿童的响应

S5 - 诽谤

既可验证为虚假又可能损害在世者声誉的响应

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响应

S7 - 隐私

包含可能破坏他人人身、数字或财务安全的敏感、非公开个人信息的响应

S8 - 知识产权

可能侵犯任何第三方的知识产权的响应

S9 - 无差别武器

促成、鼓励或认可制造无差别武器的响应,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) 高当量爆炸武器(例如:集束弹药)

S10 - 仇恨

基于人们的敏感个人特征(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)而贬低或 dehumanize 他们的响应

S11 - 自杀和自残

促成、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

包含关于选举系统和程序(包括公民选举中投票的时间、地点或方式)的与事实不符的信息的响应

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

Hugging Face