/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
18 сен 2025

GA_Guard_Lite

Генерация текстаТекст → текст4 профессии

Компактная языковая модель GeneralAnalysis для классификации текстовых рисков и модерации запросов, включая выявление атак на промпты.

11скачиваний за 30 дней7лайковвеса обновлены19 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GA Guard Lite — дообученная GeneralAnalysis компактная причинная языковая модель для модерации текстов и проверки запросов к языковым моделям. Она классифицирует содержимое по семи категориям риска: незаконная деятельность, ненависть и оскорбления, персональные данные и интеллектуальная собственность, атаки на промпты, сексуальный контент, дезинформация, насилие и самоповреждение. Результаты выдаются в виде специальных структурированных токенов для каждой категории.

Модель принимает текст и предназначена для включения в конвейеры модерации, проверки пользовательских запросов и выявления jailbreak- и prompt-injection-атак, в том числе в длинных контекстах. По README это полное дообучение причинной языковой модели; в карточке указаны 0,6 млрд параметров и контекст до 262 144 токенов. Для сохранения результатов требуется декодировать вывод без пропуска специальных токенов.

README приводит результаты на публичных наборах для модерации, длинного контекста и устойчивости к jailbreak-атакам; это оценки разработчика, и они не гарантируют качество на других данных. Модель дообучена на Qwen/Qwen3-4B-Instruct-2507; метаданные указывают формат safetensors и поддержку английского. Лицензия GA Guard Lite — CC BY-NC 4.0: некоммерческое использование разрешено, для коммерческого или производственного развертывания требуется отдельная лицензия.

Сценарии применения

  • модерация пользовательских сообщений по категориям риска
  • выявление jailbreak- и prompt-injection-атак
  • проверка запросов на инструкции о незаконной деятельности
  • обнаружение ненавистнических высказываний и угроз
  • поиск раскрытия персональных данных и секретов
  • проверка длинных текстов на опасный или запрещённый контент

Ограничения

Вывод содержит специальные токены, поэтому их нужно сохранять при декодировании; стандартный pipeline text-generation может их удалять. Результаты бенчмарков приведены разработчиком и не гарантируют ту же точность на прикладных данных; коммерческое и производственное использование требует отдельной лицензии.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Introducing the GA Guard series — a family of open-weight moderation models built to help developers and organizations keep language models safe, compliant, and aligned with real-world use.

GA-Guard is designed to detect violations across the following seven categories:

  • Illicit Activities – instructions or content related to crimes, weapons, or illegal substances.
  • Hate & Abuse – harassment, slurs, dehumanization, or abusive language.
  • PII & IP – exposure or solicitation of sensitive personal information, secrets, or intellectual property.
  • Prompt Security – jailbreaks, prompt-injection, secret exfiltration, or obfuscation attempts.
  • Sexual Content – sexually explicit or adult material.
  • Misinformation – demonstrably false or deceptive claims presented as fact.
  • Violence & Self-Harm – content that encourages violence, self-harm, or suicide.

The model outputs a structured token for each category (e.g., <policy_violation> or <policy_not_violation>).

[!Note] Important: This model outputs special tokens (e.g. <hate_and_abuse_not_violation>). Do not use pipeline("text-generation") since it strips them by default. Always decode with skip_special_tokens=False to preserve the outputs.

Model Details

GA Guard Lite features:

  • Type: Causal Language Model
  • Training: Full finetune
  • Number of Parameters: 0.6B
  • Number of Non-Embedding Parameters: 0.44B
  • Number of Layers: 28
  • Context Length: 262,144 tokens

Inference Examples

Transformers Library

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("GeneralAnalysis/GA_Guard_Lite")
model = AutoModelForCausalLM.from_pretrained("GeneralAnalysis/GA_Guard_Lite")

messages = [
    {"role": "user", "content": "Who are you?"},
]

# The chat template automatically adds the guardrail system prompt and prefixes user messages with "text:".
inputs = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)

# Decode only the newly generated tokens
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

# Sample output:
# <hate_and_abuse_not_violation><illicit_activities_not_violation>...

Benchmarks

We evaluated GA Guards on public moderation suites (OpenAI Moderation, WildGuard Benchmark, and HarmBench), our adversarial GA Jailbreak Bench, and the new GA Long-Context Bench. Across all three, our models consistently outperform major cloud guardrails and even surpass GPT-5 (when prompted to act as a guardrail).

Public Benchmarks

On public moderation suites, Guard Thinking reports 0.906 F1, Guard 0.899, and Lite 0.875 — all higher than GPT-5 (0.864) and GPT-5-mini (0.852), with cloud guardrails in the 0.62–0.74 range.

GuardOpenAI Moderation (Acc/F1/FPR)WildGuard (Acc/F1/FPR)HarmBench Behaviors (Acc/F1/FPR)Avg Time (s)
GA Guard0.916 / 0.873 / 0.1110.856 / 0.844 / 0.1720.963 / 0.981 / N/A0.029
GA Guard Thinking0.917 / 0.876 / 0.1120.862 / 0.858 / 0.1340.967 / 0.983 / N/A0.650
GA Guard Lite0.896 / 0.844 / 0.1090.835 / 0.819 / 0.1760.929 / 0.963 / N/A0.016
AWS Bedrock Guardrail0.818 / 0.754 / 0.2160.642 / 0.649 / 0.4490.662 / 0.797 / N/A0.375
Azure AI Content Safety0.879 / 0.807 / 0.0910.667 / 0.463 / 0.0710.438 / 0.609 / N/A0.389
Vertex AI Model Armor0.779 / 0.690 / 0.2250.711 / 0.590 / 0.1050.896 / 0.945 / N/A0.873
GPT 50.838 / 0.775 / 0.1880.849 / 0.830 / 0.1450.975 / 0.987 / N/A11.275
GPT 5-mini0.794 / 0.731 / 0.2550.855 / 0.839 / 0.1510.975 / 0.987 / N/A5.604
Llama Guard 4 12B0.826 / 0.737 / 0.1560.799 / 0.734 / 0.0710.925 / 0.961 / N/A0.459
Llama Prompt Guard 2 86M0.686 / 0.015 / 0.0090.617 / 0.412 / 0.1430.200 / 0.333 / N/A0.114
Nvidia Llama 3.1 Nemoguard 8B0.852 / 0.793 / 0.1740.849 / 0.818 / 0.0960.875 / 0.875 / N/A0.358
VirtueGuard Text Lite0.507 / 0.548 / 0.6990.656 / 0.682 / 0.4910.875 / 0.933 / N/A0.651
Lakera Guard0.752 / 0.697 / 0.3230.630 / 0.662 / 0.5270.946 / 0.972 / N/A0.377
Protect AI (prompt-injection-v2)0.670 / 0.014 / 0.0320.559 / 0.382 / 0.248N/A0.115

GA Long-Context Bench

On GA Long-Context Bench (up to 256k tokens), GA Guard Thinking scores 0.893 F1, GA Guard 0.891, and Lite 0.885. Cloud baselines collapse: Vertex 0.560, AWS misclassifies nearly all inputs with a 1.0 false-positive rate, and Azure records just 0.046 F1.

GuardAccuracyF1 ScoreFPRF1 Hate & AbuseF1 Illicit ActivitiesF1 MisinformationF1 PII & IPF1 Prompt SecurityF1 Sexual ContentF1 Violence & Self-Harm
GA Guard0.8870.8910.1470.9830.9720.9660.9760.8750.9660.988
GA Guard Thinking0.8890.8930.1510.9670.9510.9400.9610.8280.9200.962
GA Guard Lite0.8810.8850.1480.9790.9690.9720.9760.8460.9730.985
AWS Bedrock Guardrail0.5320.6951.0000.1490.2110.1310.3670.1750.0920.157
Azure AI Content Safety0.4800.0460.0010.0280.0410.0160.0730.0490.0000.081
Vertex AI Model Armor0.6350.5600.1380.1870.3120.1090.4730.1940.0850.241
GPT 50.7640.7990.3720.2190.2970.1890.4040.2430.1370.229
GPT 5-mini0.6970.7720.6070.1840.2530.1570.4120.2150.1120.190
Llama Guard 4 12B0.5690.6020.5160.1640.2280.1320.3340.1880.0970.195
Llama Prompt Guard 2 86M0.5050.3140.162N/AN/AN/AN/A0.093N/AN/A
Nvidia Llama 3.1 Nemoguard 8B0.6010.3600.0210.2430.2880.0970.1920.1160.3050.321
VirtueGuard Text Lite0.4900.1470.0470.0820.2030.1180.0690.0740.0580.132
Lakera Guard0.5200.6840.9990.1510.2000.1320.3610.1600.0930.159
Protect AI (prompt-injection-v2)0.4960.1020.001N/AN/AN/AN/A0.032N/AN/A

GA Jailbreak Bench

On GA Jailbreak Bench, which measures resilience against adversarial attacks, Guard Thinking achieves 0.933 F1, Guard 0.930, and Lite 0.898. GPT-5 reaches 0.893, while cloud guardrails fall significantly lower.

GuardAccuracyF1 ScoreFPRF1 Hate & AbuseF1 Illicit ActivitiesF1 Misinf.F1 PII & IPF1 Prompt SecurityF1 Sexual ContentF1 Violence & Self-Harm
GA Guard0.9310.9300.0380.9460.9390.8860.9670.8800.9540.928
GA Guard Thinking0.9390.9330.0290.9650.9250.8940.9620.8850.9420.946
GA Guard Lite0.9020.8980.0650.9080.9000.8560.9360.8500.9340.904
AWS Bedrock Guardrail0.6060.6070.3960.7410.4560.5350.5760.6490.7210.518
Azure AI Content Safety0.5420.1930.0260.2360.0930.1550.0680.4160.1860.130
Vertex AI Model Armor0.5500.1900.0080.0770.1900.5820.0760.0000.0000.241
GPT 50.9000.8930.0350.9280.9420.8560.7990.8190.9530.939
GPT 5-mini0.8910.8830.0500.9170.9420.8450.8500.8220.8820.924
Llama Guard 4 12B0.8220.7960.0530.7680.7740.5870.8090.8330.9270.827
Llama Prompt Guard 2 86M0.4900.1960.069N/AN/AN/AN/A0.196N/AN/A
Nvidia Llama 3.1 Nemoguard 8B0.6680.5290.0380.6370.5550.5130.5240.0490.6790.575
VirtueGuard Text Lite0.5130.6640.9330.6590.6890.6570.6460.6590.6750.662
Lakera Guard0.5250.6480.8250.6780.6450.7090.6430.6310.6630.548
Protect AI (prompt-injection-v2)0.5280.4750.198N/AN/AN/AN/A0.475N/AN/A

Licensing

This model is a fine-tune of Qwen3-4B, which is licensed under the Apache License 2.0 by Alibaba Cloud.
The upstream license text is included in this repository as LICENSE.Apache, and attribution is provided in the NOTICE file.

GA Guard Lite in this repository is provided under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) license for non-commercial use.

  • Free for research, experimentation, and non-commercial internal use
  • No commercial or production deployment without a separate commercial license

For commercial / production use, please contact info@generalanalysis.com to obtain a paid license and support agreement.

Citation [optional]

@misc{generalanalysis2025gaguardcore,
      title        = {GA Guard Lite}, 
      author       = {Rez Havaei and Rex Liu and General Analysis},
      year         = {2025},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      howpublished = {\url{https://huggingface.co/GeneralAnalysis/GA_Guard_Lite}},
      note         = {Open-weight moderation model for seven safety categories},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
f016c88

0 моделей