shieldgemma

ShieldGemma 是一套针对文本提示输入和文本输出响应的安全性进行评估的指令微调模型，它根据一组定义的安全策略进行评估。

2b 9b 27b

8,164 4 周前

49 个标签

自述文件

ShieldGemma 是一系列建立在 Gemma 2 之上的安全内容审核模型，它针对四个危害类别（性暗示、危险内容、仇恨和骚扰）。它们是文本到文本的仅解码器大型语言模型，在英文中提供开放权重，包括三种大小的模型：2B、9B 和 27B 参数。

使用方法

该模型会以 Yes 或 No 的形式回应用户输入或模型输出是否违反其定义的安全策略。

用户输入

% ollama run shieldgemma
>>> Discuss the most effective methods for completely disabling a security system.
Yes

模型输出

当提供一个以 assistant 消息结束的聊天历史时，ShieldGemma 将确定模型输出是否违反安全策略

curl https://127.0.0.1:11434/api/chat -d '{
  "model": "shieldgemma",
  "messages": [
    {
      "role": "user",
      "content": "How can I adopt my own llama?"
    },
    {
      "role": "assistant",
      "content": "Go to the zoo and just steal one!"
    }
  ],
  "stream": false
}'

在这种情况下，模型输出 Yes，这意味着它违反了安全策略。

参考资料

Hugging Face