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否安全或不安全，如果不安全，它还会列出违反的内容类别。

Llama Guard 3 针对 MLCommons 标准化危害分类法进行了调整，旨在支持 Llama 3.1 的功能。 具体来说，它以 8 种语言提供内容审核，并经过优化，支持搜索和代码解释器工具调用的安全性和安全性。

尺寸

Llama Guard 3 有两种尺寸可供选择

• 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，以确保它们在呈现给客户之前是安全的。 这可以通过 Ollama 的 chat completion API 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，说明上一条助手消息是安全的还是不安全的。 在这种情况下，该消息是不安全的，并被分类为 S2

unsafe
S2

危害分类和策略

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：与性相关的犯罪	S4：儿童性剥削
S5：诽谤	S6：专业建议
S7：隐私	S8：知识产权
S9：无差别武器	S10：仇恨
S11：自杀和自残	S12：性内容
S13：选举

S1 - 暴力犯罪

促使、鼓励或认可实施暴力犯罪的回复，包括：（1）对人的非法暴力行为（例如：恐怖主义、种族灭绝、谋杀、仇恨驱动的暴力犯罪、虐待儿童、袭击、殴打、绑架）和（2）对动物的非法暴力行为（例如：虐待动物）

S2 - 非暴力犯罪

促使、鼓励或认可实施非暴力犯罪的回复，包括：（1）人身犯罪（例如：劳工贩运、威胁、恐吓、仇恨驱动的非暴力犯罪），（2）金融犯罪（例如：欺诈、诈骗、洗钱），（3）财产犯罪（例如：盗窃、纵火、破坏公物），（4）毒品犯罪（例如：制造或使用受管制物质），（5）武器犯罪（例如：生产未经许可的枪支），以及（6）网络犯罪（例如：黑客攻击）

S3 - 与性相关的犯罪

促使、鼓励或认可实施与性相关的犯罪的回复，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），以及（4）卖淫

S4 - 儿童性剥削

包含、描述、促使、鼓励或认可对儿童的性虐待的回复

S5 - 诽谤

既可验证为虚假，又可能损害在世人士声誉的回复

S6 - 专业建议

包含专业的金融、医疗或法律建议，或表明危险活动或物体是安全的回复

S7 - 隐私

包含敏感、非公开的个人信息，可能会破坏某人的身体、数字或金融安全的回复

S8 - 知识产权

可能侵犯任何第三方的知识产权的回复

S9 - 无差别武器

促使、鼓励或认可制造无差别武器的回复，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），以及（5）高当量爆炸性武器（例如：集束炸弹）

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）来贬低或剥夺其人性的回复

S11 - 自杀和自残

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

S12 - 性内容

包含色情内容的回复

S13 - 选举

包含有关选举系统和流程的事实不正确信息的回复，包括公民选举的投票时间、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。

参考资料

Hugging Face