/ Модель

Характеристики

Контекст
8 192 токена
Параметры
149 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Базовая модель
ModernBERT-base
Библиотека
transformers
Опубликована
15 мар 2025

pangolin-guard-base

Классификация текстаТекст → label3 профессии

PangolinGuard-Base — компактный классификатор ModernBERT для выявления prompt injection и других вредоносных запросов в AI-агентах и диалоговых системах.

1 372скачиваний за 30 дней4лайкавеса обновлены7 апр 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

PangolinGuard-Base — дообученная модель-классификатор на базе ModernBERT Base, разработанная для обнаружения вредоносных запросов, в частности prompt injection и jailbreak-атак. Она предназначена для локальной и недорогой защиты AI-агентов и диалоговых интерфейсов от попыток нарушить заданное поведение или извлечь чувствительные данные.

Модель построена на архитектуре ModernBERT и содержит 149 млн параметров. Она принимает текст и выполняет классификацию; заявленная длина контекста — 8192 токена. В README описана оценка на наборах NotInject, BIPIA, Wildguard-Benign и PINT, включая проверку склонности к избыточной блокировке безобидных, но неоднозначных запросов.

Карточка не приводит численных метрик качества, поэтому пригодность для конкретной системы защиты следует оценивать на её собственных данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • обнаружение prompt injection в запросах к AI-агенту
  • выявление jailbreak-попыток в диалоговом интерфейсе
  • фильтрация вредоносного ввода перед передачей его языковой модели
  • проверка запросов на попытки извлечь чувствительные данные

Ограничения

В карточке нет численных метрик качества; README отмечает риск избыточной блокировки безобидных запросов и оценивает его на специальных тестах. Надёжность на конкретных данных и сценариях требует отдельной оценки.

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

PangolinGuard-Base

LLM applications face critical security challenges in form of prompt injections and jailbreaks. This can result in models leaking sensitive data or deviating from their intended behavior. Existing safeguard models are not fully open and have limited context windows (e.g., only 512 tokens in LlamaGuard).

Pangolin Guard is a ModernBERT (Base), lightweight model that discriminates malicious prompts (i.e. prompt injection attacks).

🤗 Tech-Blog | GitHub Repo

Intended Use Cases

  • Adding a self-hosted, inexpensive defense mechanism against prompt injection attacks to AI agents and conversational interfaces.

Evaluation Data

Evaluated on unseen data from a subset of specialized benchmarks targeting prompt safety and malicious input detection, while testing over-defense behavior:

  • NotInject: Designed to measure over-defense in prompt guard models by including benign inputs enriched with trigger words common in prompt injection attacks.
  • BIPIA: Evaluates privacy invasion attempts and boundary-pushing queries through indirect prompt injection attacks.
  • Wildguard-Benign: Represents legitimate but potentially ambiguous prompts.
  • PINT: Evaluates particularly nuanced prompt injection, jailbreaks, and benign prompts that could be misidentified as malicious.

image/png

Inference

from transformers import pipeline

classifier = pipeline("text-classification", "dcarpintero/pangolin-guard-base")
text = "your input text"
output = classifier(text)

Training Procedure

Training Hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 64
  • eval_batch_size: 32
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • num_epochs: 2

Training Results

Training LossEpochStepValidation LossF1Accuracy
0.16220.10421000.07550.96040.9741
0.06940.20832000.05250.97350.9828
0.05520.31253000.08570.96960.9810
0.05350.41674000.03450.98250.9889
0.03710.52085000.03430.98210.9887
0.04020.6256000.03440.98360.9894
0.0370.72927000.02820.98690.9917
0.02650.83338000.02290.98950.9933
0.02850.93759000.02400.98850.9926
0.01911.041710000.02200.99080.9941
0.01341.145811000.02280.99110.9943
0.01241.2512000.02300.98980.9935
0.01361.354213000.02120.99100.9943
0.00881.458314000.02290.99110.9943
0.01151.562515000.02110.99220.9950
0.00581.666716000.02330.99200.9949
0.01191.770817000.01990.99160.9946
0.00721.87518000.02060.99250.9952
0.0071.979219000.01960.99230.9950

Framework versions

  • Transformers 4.50.0
  • Pytorch 2.6.0+cu124
  • Datasets 3.4.1
  • Tokenizers 0.21.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForSequenceClassification
Ревизия весов
eb220d9

0 моделей