shieldgemma

ShieldGemma 是一套针对特定安全策略，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。

2b 9b 27b

8,157 4 周前

49 个标签

自述文件

ShieldGemma 是一系列基于 Gemma 2 的安全内容审核模型，针对四大危害类别（性暗示、危险内容、仇恨和骚扰）。它们是文本到文本、仅解码器的大型语言模型，以英语提供，并开放权重，包括三种规模的模型：2B、9B 和 27B 参数。

用法

此模型会以 Yes 或 No 响应，以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

在提供以 assistant 消息结尾的聊天记录时，ShieldGemma 会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，表示它违反了安全策略。

参考资料

Hugging Face