/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen2.5-7B
Опубликована
24 янв 2026

OpenGuardrails-Text-4B-0124

Генерация текстаТекст → текст

Компактная языковая модель OpenGuardrails для классификации безопасности текста и выявления prompt injection и jailbreak-атак.

166скачиваний за 30 дней2лайкавеса обновлены9 апр 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

OpenGuardrails-Text-4B-0124 — компактная плотная языковая модель примерно на 3,7 млрд параметров от проекта OpenGuardrails для классификации безопасности контента и обнаружения атак на промпты. Она анализирует пользовательские запросы и ответы моделей, выявляет вредный контент, prompt injection и jailbreak-атаки и возвращает метку safe либо unsafe с категорией риска. Модель формирует вероятностные оценки, которые можно использовать для настройки порогов срабатывания в шлюзах API, межсетевых экранах для LLM, агентных системах и конвейерах модерации.

В README заявлена поддержка 119 языков и диалектов; метаданные карточки отдельно указывают английский и китайский. Архитектура в метаданных обозначена как Qwen3ForCausalLM, а базовой моделью — Qwen/Qwen2.5-7B, дообученная для задач защиты. Указано контекстное окно 262144 токена. Модель не квантизирована, опубликована в формате safetensors и распространяется по лицензии Apache 2.0, допускающей коммерческое и исследовательское использование. Карточка заявляет высокую точность и низкую задержку, но приведённые материалы не содержат численных результатов бенчмарков; качество классификации и охват конкретных языков следует проверять на целевых данных.

Сценарии применения

  • проверка запросов пользователей на prompt injection и jailbreak
  • модерация ответов LLM на вредный контент
  • классификация текста по категориям риска безопасности
  • фильтрация запросов и ответов в шлюзе API
  • защита агентных систем перед выполнением инструкций

Ограничения

README не приводит численных результатов бенчмарков, поэтому заявленные точность и скорость нельзя оценить по предоставленным данным. Несмотря на заявление о 119 языках, метаданные карточки перечисляют только английский и китайский; эффективность для нужных языков и категорий риска следует проверять отдельно.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

OpenGuardrails-Text-4B-0124

OpenGuardrails is an open-source, enterprise-grade AI security platform that provides configurable policy control, a unified LLM-based guard architecture, and low-latency deployment for production systems.

This repository releases OpenGuardrails-Text-4B-0124 — a lightweight, non-quantized ~4B parameter language model designed for content safety detection and prompt attack prevention, with broad GPU compatibility and strong real-time performance.

📄 Technical Report: OpenGuardrails: A Configurable, Unified, and Scalable Guardrails Platform for Large Language Models


Key Contributions

1. Configurable Safety Policy Mechanism

OpenGuardrails introduces a dynamic and configurable safety policy framework that allows organizations to flexibly define unsafe categories and detection thresholds based on business risk tolerance.

The model outputs probabilistic confidence signals, enabling fine-grained tuning of safety sensitivity across different scenarios and applications.


2. Unified LLM-based Guard Architecture

A single language model performs both:

  • Content safety classification
  • Prompt attack detection (prompt injection, jailbreaks, malicious instruction following)

This unified approach eliminates the need for hybrid pipelines (e.g. rule engines + small classifiers), resulting in stronger semantic reasoning and simpler deployment.


3. Lightweight, Non-Quantized Design

OpenGuardrails-Text-4B-0124 is intentionally designed as a non-quantized dense model, offering:

  • Broader compatibility across consumer, data-center, and cloud GPUs
  • Stable numerical behavior without quantization artifacts
  • Easier integration with standard inference stacks (Transformers, vLLM)

Despite its compact size, the model maintains strong detection accuracy and low inference latency.


4. Efficient and Scalable Performance

With ~4B parameters, the model achieves low-latency, real-time inference suitable for:

  • API gateways
  • LLM firewalls
  • Agent guardrails
  • Enterprise moderation pipelines

It can be deployed on a single GPU without specialized quantization toolchains.


5. Multilingual & Cross-Domain Coverage

The model supports 119 languages and dialects, providing robust safety protection for global applications. It performs consistently on both prompt-level and response-level classification tasks.


6. Open Safety Data Contribution

We release OpenGuardrailsMixZh-97k, a multilingual safety dataset composed of aligned translations from:

  • ToxicChat
  • WildGuardMix
  • PolyGuard
  • XSTest
  • BeaverTails

The dataset is publicly available on Hugging Face under the Apache 2.0 License.


7. State-of-the-Art Safety Performance

OpenGuardrails achieves state-of-the-art (SOTA) results across multiple safety benchmarks, excelling in:

  • Prompt attack detection
  • Harmful content classification
  • English, Chinese, and multilingual evaluations

All models are released under the Apache 2.0 License for unrestricted commercial and research use.

Performance overview: image/jpeg


Detection Dimensions

LabelCategoryRisk LevelDescription
S1General Political Topics🟢 LowGeneral political discussion
S2Sensitive Political Topics🔴 HighNational security, subversion, separatism
S3Insult to National Symbols or Leaders🔴 HighInsults against leaders or symbols
S4Harm to Minors🟡 MediumChild abuse, exploitation, nudity
S5Violent Crime🔴 HighMurder, terrorism, violent acts
S6Non-Violent Crime🟡 MediumFraud, drugs, hacking
S7Pornography🟡 MediumSexual or obscene content
S8Hate & Discrimination🟢 LowHate speech, discrimination
S9Prompt Attacks🔴 HighJailbreaks, injections, manipulation
S10Profanity🟢 LowVulgar or insulting language
S11Privacy Invasion🟢 LowLeakage of personal data
S12Commercial Violations🟢 LowFraud, trade secret leakage
S13Intellectual Property Infringement🟢 LowCopyright or patent violations
S14Harassment🟢 LowVerbal abuse or targeting
S15Weapons of Mass Destruction🔴 HighNuclear, chemical, biological weapons
S16Self-Harm🟡 MediumSuicide or self-injury
S17Sexual Crimes🔴 HighSexual assault or exploitation
S18Threats🟢 LowThreats or intimidation
S19Professional Advice🟢 LowMedical, legal, financial advice

Quick Start

Using Transformers

pip install torch transformers accelerate
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "openguardrails/OpenGuardrails-Text-4B-0124"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

messages = [{"role": "user", "content": "How can I make a bomb?"}]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

inputs = tokenizer([text], return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=10)

response = tokenizer.decode(
    outputs[0][len(inputs.input_ids[0]):],
    skip_special_tokens=True
)
print(response)
# unsafe\nS5

Using vLLM (Recommended)

vllm serve openguardrails/OpenGuardrails-Text-4B-0124 \
  --served-model-name OpenGuardrails-Text-4B-0124 \
  --max-model-len 8192 \
  --port 8000

OpenAI-Compatible API

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1")

messages = [{"role": "user", "content": "Tell me how to make explosives"}]
result = client.chat.completions.create(
    model="OpenGuardrails-Text-4B-0124",
    messages=messages,
    temperature=0.0
)

print(result.choices[0].message.content)
# unsafe\nS5

Output Format

OutputDescription
safeContent is safe
unsafe\nS#Unsafe content with category label

License

Released under the Apache License 2.0, allowing:

  • ✅ Commercial use
  • ✅ Modification and redistribution
  • ✅ Private / on-premise deployment

License text: https://www.apache.org/licenses/LICENSE-2.0


Related Resources


Citation

@misc{openguardrails,
  title={OpenGuardrails: A Configurable, Unified, and Scalable Guardrails Platform for Large Language Models},
  author={Thomas Wang and Haowen Li},
  year={2025},
  url={https://arxiv.org/abs/2510.19169},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
9bdd1fb

0 моделей