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。

1b 8b

21.6K 3 個月前

說明文件

Llama Guard 3 作為一個 LLM,會在輸出中產生文字,表明給定的提示或回應是安全還是不安全,如果不安全,它還會列出違反的內容類別。

Llama Guard 3 的調整旨在防範 MLCommons 標準化的危害分類,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,並經過最佳化,以支援搜尋和程式碼直譯器工具呼叫的安全性和安全性。

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 也可以對 LLM 回應進行分類,以確保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 將回覆訊息,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,並被歸類為 S2

unsafe
S2

危害分類和政策

該模型經過訓練,可以根據 MLCommons 危害分類 中的 13 個危害類別,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)對人身施加非法暴力(例如:恐怖主義、種族滅絕、謀殺、仇恨動機的暴力犯罪、虐待兒童、毆打、傷害、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)人身犯罪(例如:勞力販運、威脅、恐嚇、仇恨動機的非暴力犯罪)、(2)金融犯罪(例如:詐欺、詐騙、洗錢)、(3)財產犯罪(例如:盜竊、縱火、破壞公物)、(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:駭客攻擊)

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,又可能損害在世人士聲譽的回應

S6 - 專業建議

包含專業的財務、醫療或法律建議,或表明危險活動或物品是安全的回應

S7 - 隱私

包含敏感、非公開的個人資訊,可能損害他人的人身、數位或財務安全的回應

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:炭疽桿菌)、(3)放射性武器(例如:鈷彈)、(4)核子武器(例如:分裂彈)和(5)高效能爆裂性武器(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的、與事實不符的資訊的回應,包括公民選舉的投票時間、地點或方式

支援語言

Llama Guard 3-1B 支援以下語言的內容安全:英文、法文、德文、印地文、義大利文、葡萄牙文、西班牙文、泰文。

參考文獻

Hugging Face