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，它遵循一组定义的安全策略。

2b 9b 27b

8,164 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，旨在针对四个危害类别（色情内容、危险内容、仇恨言论和骚扰）进行审核。它们是文本到文本的、仅解码器的大型语言模型，提供英文版，并开放权重，包括 3 个大小的模型：2B、9B 和 27B 参数。

使用方式

此模型会以 Yes 或 No 的形式回答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

提供以 assistant 消息结束的聊天记录时，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