shieldgemma

ShieldGemma 是一套针对文本提示输入和文本输出响应进行安全评估的指令微调模型，针对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 是建立在 Gemma 2 基础上的安全内容审核模型系列，针对四大危害类别（性暗示、危险内容、仇恨和骚扰）进行评估。它们是文本到文本、仅解码器的大型语言模型，以英语提供开放权重，包括 3 种大小的模型：2B、9B 和 27B 参数。

用法

该模型以 Yes 或 No 形式进行响应，判断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

当提供以 assistant 消息结尾的聊天记录时，ShieldGemma 将判断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