/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Qwen3Guard-Gen-8B
Библиотека
transformers
Опубликована
4 июл 2026

DARWIN-Guard

Генерация текстаТекст → текст3 профессии

DARWIN-Guard — дообученная на Qwen3Guard-Gen-8B модель для классификации пользовательских запросов как безопасных или небезопасных и защиты LLM от вредоносных запросов и джейлбрейков.

376скачиваний за 30 дней2лайкавеса обновлены28 сен 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

DARWIN-Guard — защитная модель модерации запросов, разработанная в рамках проекта DARWIN по оценке и повышению безопасности LLM. Это дообученная на базе Qwen/Qwen3Guard-Gen-8B плотная причинно-языковая модель семейства Qwen3 с 7,6 млрд параметров; она принимает список сообщений чата и классифицирует последнее сообщение пользователя как безопасное или небезопасное.

Модель предназначена для фильтрации вредоносных запросов, проверки устойчивости защитных механизмов к джейлбрейкам и разработки защитных систем. В обучении использовались новые состязательные примеры, а также вредоносные и доброкачественные замаскированные запросы, чтобы распознавать намерение и снижать чрезмерные отказы. README сообщает о среднем отзыве на небезопасных запросах 95,0% и среднем пропуске доброкачественных запросов 99,7% на указанных наборах оценки.

Модель работает с текстом, поддерживает английский язык и имеет контекст до 32 768 токенов. В ответ она выдаёт одну из меток Safety: Safe или Safety: Unsafe. Результаты приведены для бенчмарков модерации и не гарантируют такую же точность в других условиях; лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории. Авторы указывают на применение для исследований безопасности, оценки защитных механизмов и разработки защитных моделей.

Сценарии применения

  • модерация входящих запросов к чат-боту
  • обнаружение вредоносных и замаскированных запросов
  • фильтрация попыток джейлбрейка перед передачей запроса LLM
  • оценка защитных механизмов языковых моделей
  • проверка доброкачественных запросов на риск чрезмерного отказа

Ограничения

Оценки README относятся к конкретным наборам тестирования модерации и не гарантируют качество на новых атаках или в иных сценариях. Указана лицензия other; проверьте её условия перед использованием.

Для каких профессий подходит3

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

🛡️ DARWIN-Guard

DARWIN evolution

🧭 Introduction

DARWIN-Guard is the defensive guardrail model in DARWIN: Evolving Jailbreak Adversary and Guardrail for LLM Safety Evaluation and Protection. It is fine-tuned from Qwen/Qwen3Guard-Gen-8B for binary user-prompt moderation, classifying the user request as safe or unsafe.

Real-world adversaries continually discover new jailbreak strategies, while static guardrails are trained on fixed harmful-prompt datasets. DARWIN addresses this mismatch through an evolving attack-defense loop: DARWIN-Attack discovers and refines disguising strategies, and DARWIN-Guard learns from the emerging adversarial examples through online adversarial training.

To improve robustness without unnecessarily blocking benign requests, DARWIN-Guard jointly learns from harmful and benign disguised queries, together with their original prompts. This encourages the guard to recognize underlying intents rather than superficial attack patterns.

✨ Key Features

  • Online adversarial training. Continuously update the guardrail by training on adversarial samples generated against the current guard, instead of relying on a fixed harmful prompt dataset.
  • Evolving attack–defense loop. Continuously improve the guardrail through an iterative loop, where emerging adversarial examples from DARWIN-Attack become training signals for future guard updates.
  • Intent-aware safety detection. Jointly train on harmful and benign disguised queries to recognize underlying intent rather than superficial attack patterns.
  • Robust safety with low over-refusal. Maintain strong harmful prompt detection while preserving benign utility and reducing over-refusal on legitimate queries.

📥 Input and Output

Input: a chat messages list with the target prompt as the final user message.

messages = [
    {"role": "user", "content": "How can I stop an unresponsive process on Linux?"}
]

Output: Safety: Safe or Safety: Unsafe.

🚀 Example

import re
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "ZJU-Safety/DARWIN-Guard"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
).eval()

messages = [
    {"role": "user", "content": "How can I stop an unresponsive process on Linux?"}
]
inputs = tokenizer.apply_chat_template(
    messages,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
    add_generation_prompt=False,
).to(model.device)

with torch.inference_mode():
    outputs = model.generate(
        **inputs,
        max_new_tokens=64,
        do_sample=False,
        pad_token_id=tokenizer.pad_token_id,
        eos_token_id=tokenizer.eos_token_id,
    )

prompt_length = inputs["input_ids"].shape[-1]
result = tokenizer.decode(
    outputs[0][prompt_length:], skip_special_tokens=True
).strip()
match = re.match(r"Safety:\s*(Safe|Unsafe)\b", result)
if match is None:
    raise ValueError(f"Unrecognized safety decision: {result!r}")

print(result)
print("Safety label:", match.group(1))

📊 Evaluation Summary

  • 95.0% average unsafe recall across nine harmful benchmarks, the highest average among the compared models.
  • 99.7% average benign pass rate across six standard QA benchmarks.

All metrics measure prompt moderation; averages are macro-averaged across datasets.

🔍 Harmful Prompt Benchmarks

Unsafe recall (%), higher is better.

Average harmful recall across nine benchmarks

DatasetShieldGemmaNemotronGuardGraniteGuardianLlamaGuard-3Qwen3GuardYuFengXGuardDARWINGuard
Aegis2.070.087.384.566.284.287.691.9
JBB-Behaviors54.092.097.098.098.099.0100.0
HarmBench45.568.574.597.298.275.599.0
S-Eval27.260.456.042.852.092.090.0
Semantic Router46.874.874.848.074.880.887.6
OpenAI Moderation92.196.489.578.591.697.799.4
WildGuardTest41.283.073.866.684.887.691.8
StrongREJECT76.099.499.497.498.499.799.7
JailbreakHub33.274.877.231.280.480.895.2
Average (9 datasets)54.081.880.769.584.789.095.0

✅ Standard Benign Benchmarks

Benign pass rate (%), higher is better. This measures whether the guard allows a benign prompt, not QA answer accuracy.

DatasetShieldGemmaNemotronGuardGraniteGuardianLlamaGuard-3Qwen3GuardYuFengXGuardDARWINGuard
ARC-Challenge100.0100.099.6100.0100.0100.0100.0
ARC-Easy100.0100.0100.0100.0100.0100.0100.0
BoolQ99.699.899.6100.0100.0100.0100.0
GSM8K100.099.4100.0100.0100.099.8100.0
HellaSwag98.796.498.898.999.098.699.2
PIQA98.195.398.298.498.697.998.8
Average (6 datasets)99.498.599.499.699.699.499.7

🎯 Over-Refusal Benchmarks

The figure shows benign pass rate (%), higher is better. The table shows over-refusal rate (%), lower is better.

Benign pass rates on two over-refusal benchmarks

DatasetShieldGemmaNemotronGuardGraniteGuardianLlamaGuard-3Qwen3GuardYuFengXGuardDARWINGuard
XSTest-Benign (250)19.222.414.03.24.86.02.4
JBB-Benign (100)21.035.045.023.038.041.020.0

⚠️ Disclaimer

DARWIN-Guard is intended for safety research, guardrail evaluation, and defensive model development.

📚 Citation

@article{qi2026darwinevolvingjailbreakadversary,
  title={{DARWIN}: Evolving Jailbreak Adversary and Guardrail for {LLM} Safety Evaluation and Protection},
  author={Qi, Weiwei and Wu, Zefeng and Guo, Zhilin and Zheng, Tianhang and Lu, Chaochao and He, Liang and Qin, Zhan and Ren, Kui},
  journal={arXiv preprint arXiv:2607.19829},
  year={2026}
}

@inproceedings{qi2026majic,
  title={Majic: Markovian adaptive jailbreaking via iterative composition of diverse innovative strategies},
  author={Qi, Weiwei and Shao, Shuo and Gu, Wei and Zheng, Tianhang and Zhao, Puning and Qin, Zhan and Ren, Kui},
  booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},
  volume={40},
  number={39},
  pages={32755--32763},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
f1e7063

0 моделей