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，其依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 是一系列基于 Gemma 2 的安全内容审核模型，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、仅解码器的语言模型，以英语提供开放权重，包括三种尺寸的模型：2B、9B 和 27B 参数。

用法

该模型以 Yes 或 No 的形式响应，以判断用户输入或模型输出是否违反了其定义的安全策略。

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 消息结尾的聊天历史记录时，ShieldGemma 将判断模型输出是否违反了安全策略。

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

Hugging Face