/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Базовая модель
deberta-v3-base
Библиотека
transformers
Опубликована
1 апр 2026

saroku-guard

Классификация текстаТекст → label4 профессии

Классификатор saroku-guard оценивает безопасность вызовов инструментов ИИ-агентами перед выполнением и отмечает небезопасные действия.

181скачиваний за 30 дней5лайковвеса обновлены14 сен 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

saroku-guard — англоязычный классификатор безопасных вызовов инструментов ИИ-агентами, разработанный для проекта saroku. Он проверяет отдельный вызов инструмента вместе с аргументами и окружающим контекстом непосредственно перед выполнением и выдаёт метку safe или unsafe; для небезопасного вызова также возвращает категорию нарушения. Модель основана на DeBERTa-v3-base и дообучена для классификации текста; в метаданных указаны 211,6 млн параметров и контекст до 512 токенов. Весы в формате safetensors, лицензия Apache 2.0.

Модель предназначена для локального высокоскоростного первичного фильтра в конвейере выполнения действий агента. Она рассчитана на проверку текста вызова инструмента на английском языке и, согласно карточке, ориентирована на полноту обнаружения небезопасных действий. Категория нарушения служит дополнительной информацией для журналирования и проверки.

saroku-guard не предназначена для модерации диалогов, обнаружения jailbreak или prompt injection в произвольном чате и аудита уже выполненных действий. Это первый уровень защиты, а не полноценная система безопасности; для необратимых или высокорисковых действий рекомендуется дополнительная углублённая проверка.

Сценарии применения

  • проверка безопасности вызова API перед выполнением
  • фильтрация действий агента в браузере и облачной инфраструктуре
  • проверка аргументов операций с файлами и базами данных
  • выявление небезопасных действий в платежах и сообщениях
  • передача подозрительных вызовов инструментов на углублённую проверку

Ограничения

Рассчитана на англоязычный текст вызовов инструментов и не предназначена для модерации диалогов, обнаружения jailbreak или аудита уже выполненных действий. Для необратимых и высокорисковых операций следует дополнять её более глубокой проверкой.

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

saroku-guard

saroku-guard is a classifier that judges whether a proposed AI agent tool call is safe to execute, before it runs. It is the runtime Policy Decision Point in saroku, sitting in the execution path of agent tool calls to catch unsafe actions in single-digit milliseconds, with no API calls and no data leaving the local environment.

Evaluation

Evaluated on agent tool-call decisions it never saw during training, spanning 16 domains — APIs, browser automation, cloud infrastructure, consumer apps, databases, dev tools, email, file systems, media, messaging, payments, personal assistants, smart home, and travel — disjoint from training and validation data. Compared head-to-head against other agent guard models, each run in its own documented input format.

saroku-guard results: accuracy, unsafe recall, unsafe precision, and latency (p50/p95/p99) against other agent guard models

The model is tuned to favor recall on the unsafe class, consistent with its role as a pre-execution safety gate. saroku-guard is a 184M-parameter classifier; every model above is a multi-billion-parameter LLM repurposed as a judge (AgentDog: Llama-3.1-8B, Llama Guard 4: 12B, ShieldAgent: Qwen2.5-7B) — the latency and size gap is a direct consequence of that.

saroku-guard vs. adjacent guard models: Prompt Guard and Qwen3Guard, included as a sanity check, not peers

Model Details

  • Type: Text classifier (safe / unsafe), with a secondary violation-type output
  • Task: Pre-execution safety judgment for agentic tool calls
  • License: Apache 2.0
  • Output: Binary label (safe / unsafe) plus, on an unsafe verdict, an associated violation category

Intended Use

saroku-guard is designed to run as the first-line check in an agent execution pipeline, immediately before a tool call is invoked. It is built for high-throughput, low-latency screening: the large majority of routine actions are cleared locally, and only flagged actions are escalated to a more expensive analysis step (an LLM judge).

In scope: judging a single, discrete tool call (name, arguments, and surrounding context) for safety prior to execution.

Out of scope: conversational content moderation, jailbreak or prompt-injection detection in free-form chat, and post-hoc audit of actions that have already executed. The violation category returned alongside an unsafe verdict is intended as supporting context for logging and review, not as the sole input to automated policy branching.

How to Use

The recommended way to use saroku-guard is through the saroku SDK, which handles input formatting automatically:

pip install saroku
from saroku import SafetyGuard

guard = SafetyGuard()  # saroku-guard runs by default, no configuration required

result = guard.check(
    action="DELETE FROM users WHERE last_login < '2023-01-01'",
    context="Production database agent.",
    operator_constraints=["Never DELETE on prod without confirmation"],
)

if not result.is_safe:
    print(result.summary())

Direct use

The model can also be loaded directly with transformers. Weights are merged and self-contained — no adapter or separate base model is required.

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained(
    "karanxa/saroku-guard",
    num_labels=2,
    id2label={0: "unsafe", 1: "safe"},
    label2id={"unsafe": 0, "safe": 1},
)
tokenizer = AutoTokenizer.from_pretrained("karanxa/saroku-guard")

Direct use requires reproducing the model's expected input structure (action, context, constraints, and related fields, assembled in a fixed format). The saroku SDK implements this natively; see its serializer for the reference implementation.

Where This Fits

saroku-guard sits between an agent proposing an action and that action executing, escalating flagged actions to an LLM judge if one is configured

Limitations

  • English-language tool-call text.
  • saroku-guard is a fast first-pass filter, not a complete safety system. For irreversible or high-consequence actions, pair it with saroku's LLM-based judge for deeper analysis.

Citation

If you use saroku-guard in your work, please reference the saroku project.


Built on microsoft/deberta-v3-base.

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
DebertaV2ForSequenceClassification
Ревизия весов
d1660a8

0 моделей