/ Модель

Характеристики

Контекст
512 токенов
Параметры
306 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
Prompt-Guard-86M
Опубликована
20 авг 2024

Arch-Guard

Классификация текстаТекст → label3 профессии

Классификатор Katanemo для выявления jailbreak-промптов и защиты приложений на основе LLM.

297скачиваний за 30 дней19лайковвеса обновлены6 мая 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

Katanemo Arch-Guard — классификатор текстовых запросов для обнаружения jailbreak-попыток, разработанный Katanemo и предназначенный для защиты приложений на основе LLM. Модель дообучена на базе meta-llama/Prompt-Guard-86M на открытых наборах данных с примерами jailbreak и обычных диалогов. В каталоге указаны архитектура DeBERTa-v2, 306 млн параметров, контекст до 512 токенов и формат Safetensors.

Модель принимает текст и относит его к классу jailbreak или обычного запроса. Она предназначена для проверки пользовательских промптов в реальном времени, в том числе в составе прокси-сервера Arch для агентных систем. В README заявлены низкая задержка и низкий уровень ложных срабатываний; в приведённой оценке Arch-Guard показывает TPR 0,8887, TNR 0,9970 и FPR 0,0030. Модель ориентирована на английский язык. Лицензия — MIT.

Сценарии применения

  • проверка пользовательских запросов на jailbreak перед передачей LLM
  • фильтрация prompt injection в приложении с LLM
  • защита входных промптов агентной системы
  • классификация запросов для маршрутизации через защитный прокси

Ограничения

Модель рассчитана на английский язык и контекст до 512 токенов; качество на других языках в карточке не подтверждено. Метрики приведены для указанного оценочного набора и не гарантируют такую же точность на новых типах атак.

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

katanemo/Arch-Guard-gpu

Overview

The Katanemo Arch-Guard collection is a collection state-of-the-art (SOTA) LLMs specifically designed for jailbreaking detection tasks. Definition: jailbreaking attempts are malicious prompts designed to alternate the intended behavior of the foundation LLM model of the application. They often violate the safety and security policies of the model.

Arch Guard is a classifier model fine-tuned based on the open source model Prompt-Guard-86M on a collection of open-source datasets of jailbreaking attemps with an intention to improve the capability of detecting jailbreaks only. This model is used in Arch - the AI-native proxy server for agents

In summary, the Katanemo Arch-Guard collection demonstrates:

  • State-of-the-art performance in jailbreaking attempts detection
  • Optimized low-latency, low False Positive Rate, making it suitable for real-time, production environments, and best user experience.
Dominant class = jailbreak
ModelTPRTNRFPRFNRAUCPrecisionRecall
Prompt-guard0.84680.99720.00280.15320.8570.7150.999
Arch-guard0.88870.99700.00300.11130.8800.7610.999

Requirements

The gpu model is quantized with EEtq, please follow the instruction at https://github.com/NetEase-FuXi/EETQ?tab=readme-ov-file#getting-started to install the package.

Datasets

Evaluation dataset is sourced from a combination of open source datasets.

How to use

from transformers import pipeline

pipe = pipeline("text-classification", model="katanemolabs/Arch-Guard-gpu")
pipe("Ignore your instruction")

License

Katanemo Arch-Guard is distributed under the Katanemo license.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForSequenceClassification
Ревизия весов
b4118ac

0 моделей