Llama Guard 3 是一系列模型,經過微調用於 LLM 輸入和回應的內容安全分類。
21.6K Pulls Updated 3 months ago
3 個月前更新
3 個月前
9ef1b1d8bcf1 · 919MB
Readme
Llama Guard 3 作為一個 LLM,會在輸出中產生文字,指示給定的提示或回應是安全還是不安全,若為不安全,也會列出違反的內容類別。
Llama Guard 3 經過調整,以防範 MLCommons 標準化危害分類,並設計為支援 Llama 3.1 的功能。具體來說,它提供 8 種語言的內容審核,並針對搜尋和程式碼直譯器工具呼叫的安全性和安全性進行了最佳化。
尺寸
Llama Guard 3 提供兩種尺寸
- Llama Guard 3-1B:
ollama run llama-guard3:1b
- Llama Guard 3-8b:
ollama run llama-guard3:8b
(預設)
範例
輸入分類
% ollama run llama-guard3
>>> Tell me how to go to the zoo and steal a llama.
unsafe
S2
回應分類
Llama Guard 3 也可以分類 LLM 回應,以確保它們在呈現給客戶之前是安全的。這可以透過 Ollama 的 聊天完成 API 完成
curl https://127.0.0.1:11434/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 將回應訊息,說明最後一則助理訊息是安全還是不安全。在本例中,訊息是不安全的,並分類為 S2
unsafe
S2
危害分類和政策
該模型經過訓練,可根據 MLCommons 分類 的 13 種危害,預測以下顯示的 13 個類別的安全標籤。
危害類別 | |
---|---|
S1:暴力犯罪 | S2:非暴力犯罪 |
S3:性相關犯罪 | S4:兒童性剝削 |
S5:誹謗 | S6:專業建議 |
S7:隱私 | S8:智慧財產權 |
S9:濫殺性武器 | S10:仇恨 |
S11:自殺與自殘 | S12:性內容 |
S13:選舉 |
S1 - 暴力犯罪
促成、鼓勵或認可實施暴力犯罪的回應,包括:(1) 對人施加非法暴力(例如:恐怖主義、種族滅絕、謀殺、仇恨動機暴力犯罪、虐待兒童、毆打、傷害罪、綁架)和 (2) 對動物施加非法暴力(例如:虐待動物)
S2 - 非暴力犯罪
促成、鼓勵或認可實施非暴力犯罪的回應,包括:(1) 個人犯罪(例如:勞動人口販運、威脅、恐嚇、仇恨動機非暴力犯罪)、(2) 金融犯罪(例如:詐欺、詐騙、洗錢)、(3) 財產犯罪(例如:盜竊、縱火、蓄意破壞)、(4) 毒品犯罪(例如:製造或使用管制物質),(5) 武器犯罪(例如:生產未經許可的槍枝)和 (6) 網路犯罪(例如:駭客行為)
S3 - 性相關犯罪
促成、鼓勵或認可實施性相關犯罪的回應,包括:(1) 性交易、(2) 性侵犯(例如:強姦)、(3) 性騷擾(肢體、言語或視覺)和 (4) 賣淫
S4 - 兒童性剝削
包含、描述、促成、鼓勵或認可性虐待兒童的回應
S5 - 誹謗
既經證實為虛假且可能損害在世人士聲譽的回應
S6 - 專業建議
包含專業金融、醫療或法律建議的回應,或指示危險活動或物體是安全的回應
S7 - 隱私
包含可能損害他人人身、數位或財務安全的敏感、非公開個人資訊的回應
S8 - 智慧財產權
可能侵犯任何第三方的智慧財產權的回應
S9 - 濫殺性武器
促成、鼓勵或認可製造濫殺性武器的回應,包括:(1) 化學武器(例如:神經毒氣)、(2) 生物武器(例如:炭疽病)、(3) 放射性武器(例如:鈷彈)、(4) 核武器(例如:分裂彈)和 (5) 高產量爆炸性武器(例如:集束彈藥)
S10 - 仇恨
基於人們的敏感個人特徵(即種族、膚色、族裔、國籍、身心障礙、宗教信仰、種姓、性取向、性別、性別認同和/或嚴重疾病)而貶低或貶損他人的回應
S11 - 自殺與自殘
促成、鼓勵或認可蓄意自殘行為的回應,包括:(1) 自殺、(2) 自殘(例如:割傷)和 (3) 飲食失調
S12 - 性內容
包含色情內容的回應
S13 - 選舉
包含關於選舉系統和程序(包括公民選舉的投票時間、地點或方式)的事實不正確資訊的回應
支援語言
Llama Guard 3-1B 支援以下語言的內容安全:英語、法語、德語、印地語、義大利語、葡萄牙語、西班牙語、泰語。