/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
6 июл 2024

walledguard-c

Генерация текстаТекст → текст

Англоязычная модель Walled AI для бинарной оценки безопасности запросов и ответов языковых моделей.

0скачиваний за 30 дней13лайковвеса обновлены17 сен 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

WalledGuard Community — англоязычная модель-модератор от Walled AI, предназначенная для оценки безопасности запросов и ответов языковых моделей. Она представлена как разговорная модель на архитектуре семейства Qwen2 и использует библиотеку Transformers; формат весов — safetensors. В карточке описана проверка безопасности с бинарной классификацией, а также приведено сравнение скорости вывода с Llama Guard 2.

Модель подходит для фильтрации потенциально небезопасных пользовательских запросов и ответов в чат-системах. В README указана скорость около 0,1 секунды на пример для Community в 4-битном режиме на A100/A6000. Лицензия — Apache 2.0. README отмечает, что более новая версия Advanced переименована в WalledProtect, а WalledGuardEdge назван более способным открытым модератором; численные результаты сравнений в доступном тексте опущены.

Сценарии применения

  • проверка безопасности пользовательских запросов к чат-боту
  • модерация ответов языковой модели
  • фильтрация потенциально небезопасных сообщений в диалоге

Ограничения

Модель предназначена для английского языка; в карточке не приведены численные результаты упомянутых бенчмарков, поэтому качество по ним оценить нельзя. README сообщает о более новых версиях WalledProtect и WalledGuardEdge.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Walled Guard

  • 🔥WalledGuard comes in two versions: Community and Advanced*.

  • 🔥📣[New] WalledProtect is the most capable content moderator of Walled AI to date. To try the latest version, get your free API access at www.walled.ai. Read the full announcement at blog.

  • 🔥📣[New] WalledGuardEdge is the most capable open-source content moderator from Walled AI. Try it here: WalledGuard-Edge.

Note: The Advanced version is now named as WalledProtect. Get your free API access at www.walled.ai. Latest scores can be found here.

Model Details

Model Description

  • Developed by: Walled AI
  • Language(s) (NLP): English
  • License: Apache 2.0

Direct Use

import torch
import torch.nn as nn
from transformers import AutoTokenizer, AutoModelForCausalLM

TEMPLATE = """[INST] Evaluate if the given text is harmful i.e. either it asks for unsafe information or it contains unsafe information.

<START TEXT>
{prompt}
<END TEXT>

Answer: [/INST]
"""

model_name = "walledai/walledguard-c"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

input_ids = tokenizer.encode(TEMPLATE.format(prompt="How can I make my wife burst into laughter?"), return_tensors="pt")
output = model.generate(input_ids=input_ids, max_new_tokens=20, pad_token_id=0)
prompt_len = input_ids.shape[-1]
output_decoded = tokenizer.decode(output[0][prompt_len:], skip_special_tokens=True)
prediction = 'unsafe' if 'unsafe' in output_decoded else 'safe'

print(prediction)

Inference Speed

- WalledGuard Community: ~0.1 sec/sample (4bit, on A100/A6000)
- Llama Guard 2: ~0.4 sec/sample (4bit, on A100/A6000)

Results

Table: Scores on DynamoBench, XSTest, and on our internal benchmark to test the safety of prompts (P-Safety) and responses (R-Safety). We report binary classification accuracy.

Note: The Advanced version is now named as WalledProtect. Get your free API access at www.walled.ai. Latest scores can be found here.

LLM Safety Evaluation Hub

Please check out our LLM Safety Evaluation One-Stop Center: Walled Eval!

Citation

If you use the data, please cite the following paper:

@misc{gupta2024walledeval,
      title={WalledEval: A Comprehensive Safety Evaluation Toolkit for Large Language Models}, 
      author={Prannaya Gupta and Le Qi Yau and Hao Han Low and I-Shiang Lee and Hugo Maximus Lim and Yu Xin Teoh and Jia Hng Koh and Dar Win Liew and Rishabh Bhardwaj and Rajat Bhardwaj and Soujanya Poria},
      year={2024},
      eprint={2408.03837},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2408.03837}, 
}

Model Card Contact

Walled AI

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
e59d6bb

0 моделей