/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
28 авг 2025

walledguard-edge

Генерация текстаТекст → текст

Компактная многоязычная модель Walled AI для выявления небезопасных запросов и jailbreak-атак в диалогах с LLM.

0скачиваний за 30 дней5лайковвеса обновлены19 мая 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

WalledGuard-Edge — открытая модель для модерации запросов к языковым моделям и защиты от jailbreak-атак, разработанная Walled AI. Она предназначена для выявления прямых запрещённых запросов, обходов через ролевые сценарии, убеждение и кодирование, в том числе в одноходовых и многоходовых диалогах.

Модель содержит 0,6 млрд параметров, использует семейство Qwen3 и распространяется в формате safetensors для Transformers. Карточка заявляет поддержку арабского, английского, китайского, филиппинского, французского, хинди, русского, сербского, испанского, малайского и тамильского языков; в метаданных каталога перечислены не все эти языки. Лицензия — Apache 2.0.

Модель ориентирована на лёгкую локальную проверку безопасности диалогов и заявлена как более эффективная, чем LlamaGuard 3 1B, на многоязычных тестах и нескольких типах jailbreak. Данных о длине контекста и подробных ограничениях качества в карточке нет; результаты зависят от языка и вида атаки.

Сценарии применения

  • проверка пользовательских запросов на запрещённое содержание
  • обнаружение jailbreak-попыток в диалогах с чат-ботом
  • проверка ролевых сценариев и попыток убеждения обойти защиту
  • модерация многоязычных запросов перед передачей LLM
  • анализ одноходовых и многоходовых цепочек атак

Ограничения

Заявленное превосходство над LlamaGuard 3 1B основано на оценках авторов; подробные результаты таблицы сравнения в доступной карточке опущены. Поддержка языков и эффективность могут различаться в зависимости от языка и типа атаки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

WalledGuard-Edge

  • 🔥WalledGuard-Edge is a 0.6B parameter open source model (Apache 2.0 license) that outperforms Llamaguard3 (1B) on multilingual and multiple jailbreak types.

  • 🔥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.

Model Details

OAI = OpenAI Moderation dataset (used as a benchmark for content safety evaluation). Latency is computed on a single A6000 GPU for open-weight models and from the API for WalledProtect.

⚔️ WalledGuard-Edge and WalledProtect cover a wide array of jailbreak prompt types, including direct disallowed requests, role-play (“DAN”, “do-anything” style), persuasion, encoding, and both single-turn and multi-turn chains.

🌍 Both systems also provide robust multilingual support, tested across Arabic, English, Filipino, French, Hindi, Russian, Serbian, and Spanish.

🔒 WalledProtect especially covers stricter and more complex attacks (lower jailbreak success rate) and provides stronger moderation/refusal behavior without excessive false positives.

Model Description

  • Developed by: Walled AI
  • Language(s) (NLP): Arabic, English, Chinese, Filipino, French, Hindi, Russian, Serbian, Spanish, Malay, Tamil
  • 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-edge"

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)

Proprietary Guardrail: WalledProtect

To know about our best-in-class proprietary guardrail, Read the full announcement at blog.

To try the latest version for free, get your API access at www.walled.ai.

LLM Safety Evaluation Hub

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

Citation

If you use WalledGuard in your research or product, 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}, 
}

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
f6ba90a

0 моделей