Meta开源最新模型——Llama Guard-7b_metasploit源码分析

声明:本文来自于微信公众号 AIGC开放社区（ID:AIGCOPEN），作者:AIGC开放社区，授权转载发布。

全球社交、科技巨头Meta在官网开源了全新模型——Llama Guard。

据悉，Llama Guard是一个基于Llama2-7b的输入、输出保护模型，可对人机会话过程中的提问和回复进行分类，以判断其是否存在风险。可与Llama2等模型一起使用，极大提升其安全性。

Llama Guard也是Meta推出的“Purple Llama”安全评估项目中，输入、输出保障环节的重要组成部分，这也是首个在输入输出防护中区分用户与AI风险的模型。

Llama Guard地址:https://huggingface.co/meta-llama/LlamaGuard-7b

Purple Llama地址:https://github.com/facebookresearch/PurpleLlama

论文地址:https://ai.meta.com/research/publications/llama-guard-llm-based-input-output-safeguard-for-human-ai-conversations/

Llama Guard简单介绍

研究人员设计了一个包含法律和政策风险的安全风险分类体系。分类体系包含6大类可能的安全风险:暴力与仇恨、色情内容、非法武器、犯罪计划等。

此外还详细说明了每个风险类别中的易犯错误。

通过使用Anthropic提供的人机对话数据集，对数据进行标记。标记内容包括对话提问与回应中的风险类别及是否存在安全隐患。最终收集了近14000条标注好的对话样本。

再以Llama2-7b作为基础模型，采用指令式学习框架进行训练。此框架将分类任务表述为一个接一个的指令任务。

使Llama Guard根据输入指令和数据学习进行多类分类。研究人员为用户提问和机器回复分别编写指令，实现对其语义结构的区分。

还采取数据增强方法，强化模型只考虑给定输入中的分类信息。

测试数据

首先在内部测试集上进行验证，Llama Guard在整体和每个单独分类上的表现都超过了其他内容监管工具。

然后，研究人员采用零样本和少量实例学习的方法，将Llama Guard迁移到其他公开测试集上进行验证。

测试结果显示，在ToxicChat数据集上，Llama Guar的平均准确率高于所有基线方法;在OpenAI评估数据集上，Llama Guard在零样本的情况下与OpenAI内容监管API表现相当。

此外，Llama Guard使用了指令调优，可以适配不同的AI分类法或政策。用户可以通过零样本或小样本的方式便可实现指令迁移，以适配不同的应用场景需求。