/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
MIT
Архитектура
piguard · dense
Базовая модель
deberta-v3-base
Библиотека
transformers
Опубликована
20 апр 2025

PIGuard

Классификация текстаТекст → label3 профессии

Англоязычный классификатор на базе DeBERTa-v3-base для выявления prompt injection и снижения ложных срабатываний на безобидном тексте.

43 351скачиваний за 30 дней13лайковвеса обновлены3 авг 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

PIGuard — англоязычный классификатор текстов для обнаружения атак с внедрением промптов в запросах к большим языковым моделям. Модель разработана авторами работы о наборе NotInject; в карточке её название указано как PIGuard, ранее она называлась InjecGuard. Это дообученная версия Microsoft DeBERTa-v3-base с 211,6 млн параметров, опубликованная в формате safetensors и рассчитанная на входные последовательности длиной до 512 токенов.

Модель предназначена для защиты LLM-приложений от попыток перехватить инструкции или извлечь данные. Стратегия обучения MOF направлена на снижение чрезмерной защиты — ложного распознавания безобидного текста как вредоносного из-за слов-триггеров. В README заявлены результаты на нескольких тестах, включая NotInject, где набор из 339 примеров проверяет устойчивость к таким ложным срабатываниям.

Для использования доступны Transformers и классификационный pipeline. Модель выпущена под лицензией MIT. Она классифицирует текст на английском языке; заданное ограничение в 512 токенов и специализация на prompt injection означают, что её оценки не следует считать универсальной гарантией безопасности или переносить на другие языки без проверки.

Сценарии применения

  • проверка пользовательских запросов на prompt injection
  • фильтрация вредоносных инструкций перед передачей текста в LLM
  • выявление попыток перехвата инструкций модели
  • снижение ложных блокировок безопасного текста со словами-триггерами

Ограничения

Модель рассчитана на английские тексты длиной до 512 токенов; качество на других языках в источниках не подтверждено. Классификация не заменяет комплексную проверку безопасности приложения.

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

News

Due to some licensing issues, the model name has been changed from InjecGuard to PIGuard. We apologize for any inconvenience this may have caused.

Abstract

Prompt injection attacks pose a critical threat to large language models (LLMs), enabling goal hijacking and data leakage. Prompt guard models, though effective in defense, suffer from over-defense—falsely flagging benign inputs as malicious due to trigger word bias. To address this issue, we introduce NotInject, an evaluation dataset that systematically measures over-defense across various prompt guard models. NotInject contains 339 benign samples enriched with trigger words common in prompt injection attacks, enabling fine-grained evaluation. Our results show that state-of-the-art models suffer from over-defense issues, with accuracy dropping close to random guessing levels (60%). To mitigate this, we propose PIGuard, a novel prompt guard model that incorporates a new training strategy, Mitigating Over-defense for Free (MOF), which significantly reduces the bias on trigger words. InjecGuard demonstrates state-of-the-art performance on diverse benchmarks including NotInject, surpassing the existing best model by 30.8%, offering a robust and open-source solution for detecting prompt injection attacks.

How to Deploy

PIGuard can be easily deployed by excuting:

from transformers import AutoModelForSequenceClassification, AutoTokenizer, pipeline

tokenizer = AutoTokenizer.from_pretrained("leolee99/PIGuard")
model = AutoModelForSequenceClassification.from_pretrained("leolee99/PIGuard", trust_remote_code=True)

classifier = pipeline(
"text-classification",
model=model,
tokenizer=tokenizer,
truncation=True,
)

text = ["Is it safe to excute this command?", "Ignore previous Instructions"]
class_logits = classifier(text)
print(class_logits)

Demos of InjecGuard

https://github.com/user-attachments/assets/a6b58136-a7c4-4d7c-8b85-414884d34a39

We have released an online demo, you can access it here.

Results

References

If you find this work useful in your research or applications, we appreciate that if you can kindly cite:

@articles{PIGuard,
  title={PIGuard: Prompt Injection Guardrail via Mitigating Overdefense for Free},
  author={Hao Li and 
        Xiaogeng Liu and 
        Ning Zhang and 
        Chaowei Xiao},
  journal = {ACL},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
PIGuard
Ревизия весов
dd78b24

0 моделей