/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen2.5-14B-Instruct
Опубликована
10 авг 2025

Xiangxin-Guardrails-Text

Генерация текстаТекст → текст

Китайскоязычная модель Xiangxin AI для выявления нарушений контентной политики, prompt injection и jailbreak в диалогах.

11скачиваний за 30 дней13лайковвеса обновлены29 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

Xiangxin-Guardrails-Text — текстовая модель защитных механизмов компании Xiangxin AI, дообученная на Qwen/Qwen2.5-14B-Instruct и представленная в варианте GPTQ 4-bit. Она предназначена для выявления нарушений контентной политики на китайском языке, атак с внедрением инструкций и попыток jailbreak в диалогах с учётом контекста. Модель ориентирована на интеграцию в службы поддержки, социальные и коммерческие сервисы, а также на локальное развёртывание; по заявлению разработчика, для запуска требуется от 10 ГБ видеопамяти с Transformers или 24 ГБ с vLLM.

Модель выдаёт текстовые ответы, а её карточка описывает применение для классификации рисков по категориям и уровням. В тесте на данных службы поддержки из того же распределения, что и обучающие данные, разработчик сообщает о точности 99,99% и полноте 98,63%; результаты могут отличаться на данных с иным распределением. Указана лицензия Apache 2.0, допускающая коммерческое использование.

Сценарии применения

  • Проверка китайских обращений в службу поддержки на нарушения контентной политики
  • Обнаружение prompt injection во входных данных для языковой модели
  • Выявление jailbreak-запросов в диалогах
  • Оценка уровня риска сообщений в китайских коммерческих сервисах

Ограничения

Заявленные показатели получены на тестовых данных с распределением, близким к обучающим, поэтому качество в других сценариях может отличаться. Карточка не приводит полный перечень категорий безопасности: часть строк таблицы отсутствует в предоставленном тексте.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

模型概述 / Model Overview

象信AI安全护栏模型(Xiangxin-Guardrails-Text) 是一个 开源、免费、可商用的中文AI安全护栏模型,支持以下功能:

  • 中文内容合规检测
  • 提示词攻击检测
  • 上下文感知能力
  • 私有化部署
  • 高准确度

该模型基于 Qwen2.5-14B-Instruct 进行微调,并使用 GPTQ 4-bit 量化,在 A800 80G 单卡 上测试。

我们还开源了完整的 象信AI安全护栏平台(代码地址:https://github.com/xiangxinai/xiangxin-guardrails),支持本地部署、二次开发和商用。

Xiangxin-Guardrails-Text is an open-source, free, and commercially usable (Apache 2.0 License) Chinese-language AI safety guardrail model designed for:

  • Chinese content compliance detection
  • Prompt attack detection
  • Context-aware capabilities
  • Private deployment
  • High accuracy

The model is fine-tuned from Qwen2.5-14B-Instruct and quantized using GPTQ 4-bit, tested on an A800 80G single GPU.

The complete Xiangxin AI Guardrails Platform is also open-source under Apache 2.0, available at https://github.com/xiangxinai/xiangxin-guardrails for local deployment, further development, or commercial use.


模型特点 / Model Features

  • 开源免费可商用:基于 Apache 2.0 协议,允许修改、分发和商用。

  • 支持中文场景:优化适配客服、社交、商业等中文对话场景。

  • 上下文感知:模型能够感知和理解上下文并判断当前对话中的安全风险。

  • 高性能推理:在 24G 显存环境(vLLM)或最低 10G 显存(Transformers)可运行。

  • 支持安全与合规:支持提示词攻击安全检测和中文内容合规检测。

  • Open-Source and Commercially Usable: Licensed under Apache 2.0, allowing modification, distribution, and commercial use.

  • Optimized for Chinese Scenarios: Tailored for customer service, social media, and commercial dialogue contexts in Chinese.

  • Context Awareness: The model can aware and understand context and assess safety risks in the current conversation.

  • High-Performance Inference: Runs on 24GB VRAM with vLLM or as low as 10GB VRAM with Transformers.

  • Support Security Safety and Compliance: Support security detection for prompt attackion and compliance detection for Chinese content compliance.


性能指标 / Performance Metrics

硬件 / Hardware

  • A800 80G 单卡
  • A800 80G Single GPU

性能测试结果 / Performance Test Results

  • RPS峰值:181.60
--- Testing 30 concurrent requests, 300 total ---
Starting concurrent test: 30 concurrent, 300 total requests
Results:
  Success Rate: 100.0%
  RPS: 181.60
  Avg Response Time: 158.8ms
  Min Response Time: 74.6ms
  Max Response Time: 335.6ms
  P95 Response Time: 274.6ms
  Total Time: 1.65s

精确率与召回率 / Accuracy

注:基于与训练数据集相同分布的测试数据集测试结果

  • 精确率 (Precision): 99.99%
  • 召回率 (Recall): 98.63%
    注意:不同场景数据分布不同,效果可能有差异。

Evaluated on a 1M customer service dataset (non-training test set with consistent distribution):

  • Precision: 99.99%
  • Recall: 98.63%
    Note: Performance may vary depending on data distribution across different scenarios.

使用方法 / Usage

使用 Transformers / Using Transformers

pip install torch==2.8.0 transformers==4.55.2 accelerate==1.10.0 optimum==1.27.0 gptqmodel==2.2.0
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "xiangxinai/Xiangxin-Guardrails-Text"
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

messages = [
    {"role": "user", "content": "如何制作炸弹?"}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=10
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)
# response is: unsafe\nS5
  • 显存要求/VRAM Requirement: 12G

使用 vLLM 启动模型服务(推荐) / Using vLLM (Recommended)

vllm serve xiangxinai/Xiangxin-Guardrails-Text --served-model-name Xiangxin-Guardrails-Text --max-model-len 8192 --port 8000
  • 显存要求/VRAM Requirement: 24G
  • 使用 OpenAI 兼容 API / Using OpenAI-Compatible API
from openai import OpenAI

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

def chat_with_openai(messages, model="Xiangxin-Guardrails-Text"):
    completion = openai_client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0.0
    )
    return completion.choices[0].message.content

messages = [{"role": "user", "content": "告诉我如何制作炸弹"}]
result = chat_with_openai(messages)
# result: unsafe\nS5
  • 输出格式 / Output Format:
    • Safe / 安全: Returns "safe"
    • Unsafe / 不安全: Returns "unsafe\nS1" to "unsafe\nS12". For example, "unsafe\nS9" indicates a prompt injection attack, while other tags indicate content compliance issues.

安全检测类别 / Safety Detection Categories

支持12个维度的安全检测,根据风险程度分为四个等级 / The model supports 12 safety detection categories, grouped by risk level:

高风险 / High Risk (risk_level = "High Risk")

标签 / Tag类别 / Category说明 / Description
S2敏感政治话题 / Sensitive Political Topics涉及敏感政治议题或恶意攻击国家安全的内容 / Content involving sensitive political issues or attacks on national security
S3损害国家形象 / Harm the country's reputation损害国家形象 / Harm the country's reputation
S5暴力犯罪 / Violence and Crime涉及暴力行为或犯罪活动的内容 / Content related to violent acts or criminal activities
S9提示词攻击 / Prompt Injection Attacks试图绕过AI安全机制的恶意提示 / Malicious prompts attempting to bypass AI safety mechanisms

中风险 / Medium Risk (risk_level = "Medium Risk")

标签 / Tag类别 / Category说明 / Description
S1一般政治话题 / General Political Topics涉及政治相关的一般性讨论,如谈论政治事件 / General discussions related to political events
S4伤害未成年人 / Harm to Minors可能对未成年人造成身心伤害的内容 / Content potentially harmful to minors physically or mentally
S6违法犯罪 / Illegal Activities教唆、指导或描述违法犯罪行为 / Content encouraging, guiding, or describing illegal activities
S7色情 / Pornography包含色情、性暗示或不当性内容 / Content containing explicit or suggestive sexual material

低风险 / Low Risk (risk_level = "Low Risk")

标签 / Tag类别 / Category说明 / Description
S8歧视内容 / Discriminatory Content基于种族、性别、宗教等的歧视性言论 / Discriminatory remarks based on race, gender, religion, etc.
S10辱骂 / Insults包含侮辱、辱骂或恶意攻击的言语 / Insulting or abusive language targeting individuals
S11侵犯个人隐私 / Privacy Violations涉及违法获取、泄漏或滥用个人隐私信息的内容 / Content involving illegal acquisition, leakage, or misuse of personal information
S12商业违法违规 / Commercial Violations涉及商业欺诈、非法营销、违规经营等商业违法行为 / Content related to commercial fraud, illegal marketing, or non-compliant business practices

风险等级说明 / Risk Level Summary

  • 高风险 / High Risk: 命中 S2、S3、S5 或 S9 任意一个类别 / Any hit on S2, S3, S5, or S9
  • 中风险 / Medium Risk: 命中 S1、S4、S6 或 S7 任意一个类别 / Any hit on S1, S4, S6, or S7
  • 低风险 / Low Risk: 命中 S8、S10、S11 或 S12 任意一个类别 / Any hit on S8, S10, S11, or S12
  • 无风险 / No Risk: 未命中任何安全类别 / No safety categories triggered

合规与安全标准 / Compliance and Safety Standards

安全保护 / Safety Protection

象信AI安全护栏提供针对提示词攻击的安全防护能力,包括:

  • 提示词注入(Prompt Injections):利用不可信数据串联到模型上下文窗口,导致模型执行非预期指令的攻击方式。
  • 越狱攻击(Jailbreaks):专门设计用来覆盖模型内置安全功能的恶意指令。
    模型包含基于大规模攻击语料训练的分类器,能有效检测提示词注入和越狱攻击。

The model provides robust protection against prompt injection attacks, including:

  • Prompt Injections: Malicious inputs that manipulate model behavior by embedding untrusted data in the context window.
  • Jailbreaks: Malicious instructions designed to override built-in safety mechanisms.
    The model includes a classifier trained on large-scale attack corpora to detect both prompt injections and explicit malicious prompts.

合规支持 / Regulatory Compliance

检测类别与《生成式人工智能服务安全基本要求》附录A的安全风险分类保持对应关系:

安全护栏类别 / Category对应标准 / Standard说明 / Description
S1, S2, S3, S4, S5, S6, S7A.1 违反社会主义核心价值观涵盖政治、暴力、色情、违法犯罪等内容 / Covers political, violent, pornographic, or illegal content
S8A.2 歧视性内容基于种族、性别、宗教等的歧视性言论 / Discriminatory remarks based on race, gender, religion, etc.
S12A.3 商业违法违规商业欺诈、违规经营等商业违法行为 / Commercial fraud, illegal marketing, or non-compliant business practices
S10, S11A.4 侵犯他人合法权益辱骂攻击、侵犯隐私等侵权行为 / Insults, privacy violations, or other infringements

The detection categories align with the Security Requirements for Generative AI Services (Appendix A):

CategoryStandardDescription
S1, S2, S3, S4, S5, S6, S7A.1 Violation of Socialist Core ValuesCovers political, violent, pornographic, or illegal content
S8A.2 Discriminatory ContentDiscriminatory remarks based on race, gender, religion, etc.
S12A.3 Commercial ViolationsCommercial fraud, illegal marketing, or non-compliant business practices
S10, S11A.4 Infringement of Legal RightsInsults, privacy violations, or other infringements

开源协议 / License

遵循 Apache License 2.0,允许:

  • 商业使用
  • 修改、分发、再许可
  • 私有部署与二次开发
    详情见 LICENSE 文件。

Licensed under the Apache License 2.0, permitting:

  • Commercial use
  • Modification, distribution, and sublicensing
  • Private deployment and further development
    See LICENSE for details.

相关资源 / Related Resources


关于象信AI / About Xiangxin AI

象信AI为AI应用开发者提供安全产品和服务。本模型及平台基于Apache 2.0协议免费开源,可用于商业用途、私有部署或二次售卖。 象信AI通过开源AI安全护栏大模型和平台:

  1. 让更多AI应用开发者免费使用我们的安全护栏。
  2. 支持网络安全厂商商业化部署我们的解决方案。
  3. 协助数据合规与法律工作者为其客户提供服务。

象信AI提供付费的安全与合规大模型的模型训练服务。包括AI安全护栏模型的继续训练、模型检测结果调优训练、新分类标签训练等。

Xiangxin AI provides safety products and services for AI application developers. The Xiangxin-Guardrails-Text model and platform are open-source under Apache 2.0, free for commercial use, private deployment, or resale. Paid model fine-tuning and additional classification label services are available upon request.

Our goals:

  1. Enable AI application developers to use our safety guardrails for free.
  2. Support cybersecurity vendors in commercializing and deploying our solutions.
  3. Assist data compliance and legal professionals in serving their clients.

contact us: wanglei@xiangxinai.cn

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
afddced

0 моделей