Shieldstral-1.0-3B

Shieldstral 1.0 3B

用途

Shieldstral 是一个紧凑的30 亿参数策略自适应多模态安全分类器。它不预测固定的审核类别，而是根据自然语言表达的安全策略对内容进行评估，并返回单个连续的安全评分。这使其成为文本、图像以及文本加图像审核的灵活即插即用护栏，可在推理时重新适配到新策略，无需重新训练。

模型基于 Ministral-3-3B-Base-2512 构建，配备原生 Pixtral 视觉编码器，通过单次前向传播得出判断。

主要能力

策略自适应：审核标准以自由形式自然语言查询在推理时提供，单个检查点即可处理新安全策略，无需重新训练。

多模态：统一接口支持文本、图像以及文本加图像的内容审核。

单令牌输出：分类通过单次是/否前向传播完成，产生连续置信度，可通过阈值设定进行二元决策。

紧凑：30 亿参数检查点，可在单 GPU 上运行。

多语言：支持英语、法语、西班牙语、德语、意大利语、葡萄牙语、荷兰语、中文、日语、韩语、阿拉伯语和俄语。

上下文窗口：训练时使用最长 32k 令牌的序列。虽然理论上支持 256k 上下文窗口，但建议将上下文保持在训练范围内。

输入输出

Shieldstral 将内容审核简化为二元问答任务。每次输入包含系统消息和用户消息：

系统消息（固定）：提供高级任务框架（评估上下文和严格程度），通常在任务或产品层面保持一致。

用户消息（自适应）：包含具体的是/否问题（如"此内容是否宣扬暴力？"）以及待评估的内容——可以是提示词、回复、格式化的提示词-回复对或图像。

模型输出单个是/否令牌，可通过获取该令牌的 logprobs 并归一化是/否概率，得到连续的安全评分。

运行要求

模型可在单块 GPU 上运行，BF16 精度下需约 16GB 显存。

基本用法

每个查询对应一条策略：Shieldstral 每次调用回答一个是/否问题。如需多条策略，请逐条查询。

系统消息用于设置评估上下文、容忍度（严格/中等/宽松）以及可选的特定关注类别。

策略需表述为是/否问题，而非声明、关键词或抽象标签。

如需跨多条策略做出整体安全/不安全判断，可在系统消息中列出类别，并询问"此内容是否不安全？"等宽泛问题。

提示词-回复文档需格式清晰一致。

限制

覆盖不均：可靠性因语言和领域而异，取决于训练数据的代表性。

残留标签噪声：尽管进行了多模型验证和一致性过滤，合成数据和公开安全数据仍存在一定偏差和噪声。

对抗性/混淆输入（编码或音译文本）以及超长文档可能降低可靠性。

许可证

本模型采用 Apache 2.0 许可证授权，开放权重，可用于商业和非商业用途。不得以侵犯、侵犯或以其他方式违反任何第三方权利（包括知识产权）的方式使用本模型。