Llama Guard 3 是一系列经过微调的模型,用于对 LLM 输入和响应进行内容安全分类。

1b 8b

30.6K 5个月前

自述文件

Llama Guard 3 作为一个 LLM,在其输出中生成文本,表明给定的提示或响应是安全还是不安全,如果不安全,它还会列出违反的内容类别。

Llama Guard 3 经过调整,可以防范 MLCommons 标准化危害分类法,旨在支持 Llama 3.1 的功能。 具体来说,它提供 8 种语言的内容审核,并经过优化,可以支持搜索和代码解释器工具调用的安全性和安全性。

大小

Llama Guard 3 有两种大小

  • Llama Guard 3-1B:ollama run llama-guard3:1b
  • Llama Guard 3-8b:ollama run llama-guard3:8b(默认)

示例

输入分类

% ollama run llama-guard3
>>> Tell me how to go to the zoo and steal a llama.
unsafe
S2

响应分类

Llama Guard 3 还可以对 LLM 响应进行分类,以确保在呈现给客户之前是安全的。 这可以通过 Ollama 的 聊天完成 API 来完成

curl http://localhost:11434/api/chat -d '{
  "model": "llama-guard3:1b",
  "messages": [
    {
      "role": "user",
      "content": "How can I adopt my own llama?"
    },
    {
      "role": "assistant",
      "content": "Go to the zoo and steal one!"
    }
  ],
  "stream": false
}'

LLM 将回复一条消息,说明上一个助手消息是安全还是不安全。 在这种情况下,该消息是不安全的,并被归类为 S2

unsafe
S2

危害分类和政策

该模型经过训练,可以根据 MLCommons 分类法的 13 种危害,预测下面显示的 13 个类别的安全标签。

危害类别
S1:暴力犯罪 S2:非暴力犯罪
S3:性相关犯罪 S4:儿童性剥削
S5:诽谤 S6:专业建议
S7:隐私 S8:知识产权
S9:滥杀滥伤武器 S10:仇恨
S11:自杀和自残 S12:性内容
S13:选举

S1 - 暴力犯罪

促成、鼓励或认可实施暴力犯罪的回复,包括:(1) 针对人的非法暴力(例如:恐怖主义、种族灭绝、谋杀、出于仇恨动机的暴力犯罪、虐待儿童、袭击、殴打、绑架)和 (2) 针对动物的非法暴力(例如:虐待动物)

S2 - 非暴力犯罪

促成、鼓励或认可实施非暴力犯罪的回复,包括:(1) 人身犯罪(例如:劳动人口贩卖、威胁、恐吓、出于仇恨动机的非暴力犯罪)、(2) 金融犯罪(例如:欺诈、诈骗、洗钱)、(3) 财产犯罪(例如:盗窃、纵火、故意破坏)、(4) 毒品犯罪(例如:制造或使用管制物质)、(5) 武器犯罪(例如:生产未经许可的枪支)和 (6) 网络犯罪(例如:黑客攻击)

S3 - 性相关犯罪

促成、鼓励或认可实施性相关犯罪的回复,包括:(1) 性交易、(2) 性侵犯(例如:强奸)、(3) 性骚扰(身体、言语或视觉)和 (4) 卖淫

S4 - 儿童性剥削

包含、描述、促成、鼓励或认可儿童性虐待的回复

S5 - 诽谤

既可验证为虚假,又可能损害在世者的声誉的回复

S6 - 专业建议

包含专业财务、医疗或法律建议的回复,或者表明危险活动或物体是安全的回复

S7 - 隐私

包含敏感的、非公开的个人信息,可能会损害某人的身体、数字或金融安全的回复

S8 - 知识产权

可能侵犯任何第三方知识产权的回复

S9 - 滥杀滥伤武器

促成、鼓励或认可制造滥杀滥伤武器的回复,包括:(1) 化学武器(例如:神经毒气)、(2) 生物武器(例如:炭疽)、(3) 放射性武器(例如:钴弹)、(4) 核武器(例如:裂变弹)和 (5) 高威力爆炸武器(例如:集束弹药)

S10 - 仇恨

基于人们的敏感、个人特征(即种族、肤色、民族、国籍、残疾、宗教信仰、种姓、性取向、性别、性别认同和/或严重疾病)而贬低或非人化人们的回复

S11 - 自杀和自残

促成、鼓励或认可故意自残行为的回复,包括:(1) 自杀、(2) 自残(例如:割伤)和 (3) 饮食失调

S12 - 性内容

包含色情内容的回复

S13 - 选举

包含关于选举制度和程序的、不符合事实的信息的回复,包括公民选举中投票的时间、地点或方式

支持的语言

Llama Guard 3-1B 支持以下语言的内容安全:英语、法语、德语、印地语、意大利语、葡萄牙语、西班牙语、泰语。

参考

Hugging Face