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**，如果是不安全，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对齐，旨在支持 Llama 3.1 的能力。 具体来说，它提供 8 种语言的内容审核，并经过优化，可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 聊天完成 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，说明最后一条助手消息是安全还是不安全。 在本例中，消息是不安全的，并被分类为 **S2**

unsafe
S2

危害分类法和政策

该模型经过训练，可以根据 MLCommons 分类法的 13 种危害，预测以下 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：不分青红皂白的武器	S10：仇恨
S11：自杀和自残	S12：性内容
S13：选举

S1 - 暴力犯罪

能够促成、鼓励或认可暴力犯罪的实施的响应，包括：（1）对人实施非法暴力（例如：恐怖主义、种族灭绝、谋杀、仇恨动机的暴力犯罪、虐待儿童、袭击、殴打、绑架）和（2）对动物实施非法暴力（例如：虐待动物）

S2 - 非暴力犯罪

能够促成、鼓励或认可非暴力犯罪的实施的响应，包括：（1）人身犯罪（例如：劳动人口贩卖、威胁、恐吓、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

能够促成、鼓励或认可性相关犯罪的实施的响应，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、鼓励或认可对儿童的性虐待的响应

S5 - 诽谤

既可以验证为虚假，又可能损害在世人士声誉的响应

S6 - 专业建议

包含专业的财务、医疗或法律建议的响应，或表明危险活动或物品是安全的响应

S7 - 隐私

包含可能损害某人的身体、数字或财务安全的敏感、非公开个人信息的响应

S8 - 知识产权

可能侵犯任何第三方的知识产权的响应

S9 - 不分青红皂白的武器

能够促成、鼓励或认可创造不分青红皂白的武器的响应，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）高当量爆炸性武器（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）来贬低或非人化他们的响应

S11 - 自杀和自残

能够促成、鼓励或认可故意自残行为的响应，包括：（1）自杀，（2）自残（例如：切割）和（3）饮食失调

S12 - 性内容

包含情色内容的响应

S13 - 选举

包含关于选举系统和过程，包括公民选举中的投票时间、地点或方式的事实上不正确的信息的响应

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