/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-4B-Instruct-2507
Опубликована
11 июл 2026

AegisGuard-RL-stable

Классификация текстаТекст → label

Дообученная на базе Qwen3 модель оценивает действия языковых агентов по заданной политике и выдаёт вердикт safe/unsafe для предварительной блокировки.

0скачиваний за 30 дней0лайковвеса обновлены11 июл 2026

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

AegisGuard-RL-stable — модель-ограничитель на базе Qwen3-4B-Instruct-2507, разработанная Jus1mple. Она оценивает траекторию действий агента относительно переданной во время работы политики и выдаёт вердикт safe или unsafe; вероятность unsafe используется для блокировки действия до его выполнения. Модель предназначена для адаптивного контроля агентов по пользовательским правилам, включая проверку применимости правил, разрешение конфликтов и выявление попыток внедрения инструкций.

Модель дообучена в два этапа: SFT на примерах политик и исполняемых правил, затем GRPO с данными R-Judge и повтором примеров для сохранения навыков. В README сообщаются результаты на отложенной тестовой выборке: точность вердиктов на исполняемых правилах 0,903, AUC 0,947 и ECE 0,258. Для использования предлагается OpenAI-совместимый сервер vLLM; решение считывается по первому токену, а оценка вероятности — из его logprobs. Лицензия — Apache-2.0.

Результаты обучения GRPO заметно различались между случайными начальными состояниями; стабильный вариант выбран по валидационной выборке, поэтому повторное обучение не гарантирует такого же результата. Оценка зависит от предоставленной политики, примеры траекторий в README англоязычные; при переносе в другую предметную область рекомендована отдельная калибровка вероятностей.

Сценарии применения

  • проверка траектории агента на соответствие runtime-политике
  • блокировка небезопасного действия до его выполнения
  • проверка условных и применимых правил агента
  • разрешение конфликтов между правилами политики
  • выявление инъекций инструкций в траектории агента

Ограничения

Обучение GRPO высокодисперсно, а повторное обучение может дать нестабильный результат. Оценка опирается на предоставленную политику; вероятности могут требовать калибровки при переносе в другую предметную область.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AegisGuard-RL-stable

The validation-selected, CI-hardened variant of the AegisGuard RL guardrail (Qwen3-4B). Policy-adaptive, pre-effect per-step judging: reads a runtime custom policy + agent trajectory → first-token verdict safe/unsafe → P(unsafe) for pre-effect gating.

This is the honest-science endpoint of the direction-B RL line. The original AegisGuard-RL was a single lucky seed; this model is selected on a held-out validation split and reported on an untouched test split, after a full ablation exposed that GRPO on small target-distribution data is high-variance (see below).

Why "stable": the honest story

A 3-seed CI showed GRPO on 502 R-Judge points is unstable: exec accuracy 0.758 ± 0.185 across seeds (2/3 survive, 1/3 collapse); plain SFT on the same data collapses 3/3. The R-Judge gain itself comes from adding R-Judge data (SFT matches it); GRPO's unique value is KL-anchored resistance to catastrophic forgetting — but only probabilistically.

Stabilization = capability replay (exec data as an anti-forgetting anchor) + 5 seeds + validation-set selection (pick the best non-collapsed seed on a held-out val, never peeking at test). This reliably yields a good model even though not every seed is stable.

Training (2 stages from base)

  1. Combined SFT (base Qwen3-4B-Instruct-2507, full-param, 2 ep, lr 3e-6): policy_train(counterfactual pairs, 1150) + policy_p4(applicability/conditional, 1260) + policy_p6(conflict hierarchy, 880) + policy_adversarial(injection, 496) + policy_exec(executable rules, 1400) = 5186 samples → p3-agp-sft.
  2. GRPO (warm p3-agp-sft, TRL, β=0.1, lr=7e-7, num_gen 8, 1 ep): rjstable_train_mix = R-Judge-train (430, 3-judge consensus labels) + exec replay (430, anti-forgetting anchor) = 860. Verifiable symmetric verdict reward (first-token invariant baked in, no learned reward model). 5 seeds → validation-selected (seed 3).

Data: AegisGuard-Train / AegisGuard-Eval.

Evaluation (untouched test split, never used for selection)

Metricvalue
R-Judge test net-discrimination (187 pts, content-deduped)91pt @th0.7
exec verdict acc / continuous AUC0.903 / 0.947
calibration ECE0.258
over-flag / miss0.077 / 0.117
real-policy prose (main / conflict)0.836 / 0.917

Validation-selection generalized cleanly to the untouched test → no test-set overfitting.

Usage

from openai import OpenAI  # vLLM OpenAI-compatible server, --dtype bfloat16
client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
prompt = build_policy_prompt(policy=RUNTIME_POLICY, trajectory=AGENT_TRAJECTORY)
r = client.chat.completions.create(model="aegisguard-rl-stable",
        messages=[{"role":"user","content":prompt}], temperature=0, max_tokens=8, logprobs=True, top_logprobs=20)
# First token is safe/unsafe; P(unsafe) from the top-20 first-token logprobs → GuardedExecutor pre-effect gating.

Limitations

  • The training process is high-variance (a re-run may collapse); reliability comes from val-selection, not from any single run being stable. For production, keep the val-selection + untouched-test protocol.
  • Verdict is grounded in the provided runtime policy; not a substitute for full safety review. English agent trajectories.
  • Cross-domain deployment: fit a small isotonic calibrator on target-domain scores (P(unsafe) ranks well but shifts across domains).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
fdd4def

0 моделей