实战解读：Llama Guard 3 & Prompt Guard

Llama Guard 3 是 Llama Guard 2 的升级版本，用于协助开发人员检测各种常见类型的违规内容。它通过微调 Meta-Llama 3.1-8B 模型构建的方式进行优化，可以执行 MLCommons 标准危害分类法的检测。Llama Guard 3 共支持8种语言，相比 Llama Guard 2新增了意大利语、法语等7种语言，同时，其上下文窗口也由 8k 扩展到 128k 。

除此之外，Llama Guard 3 在检测网络攻击方面也进行了优化，并能防止 LLM 输出的恶意代码通过代码解释器在 Llama 系统的托管环境中执行。（这也是为代码解释器的应用场景新增了防护场景）

风险分类在参考MLCommons AI Safety的基础上，从Guard2的11个风险类别，扩展到14个类别。（绿色为新增类别）

Prompt Guard是用于防止 LLM 集成的应用程序受到恶意提示的侵害，以确保系统安全性和完整性的组件。该组件会对提示内容的安全性进行审查，识别是其否有提示词注入和越狱的风险。

CYBERSECEVAL 3是全新发布的安全基准套件，用于评估各类LLM的网络安全风险和能力。它关注当前LLM的八种不同风险，涵盖对第三方和应用开发者及用户两种场景，并通过模拟网络钓鱼攻击、勒索软件攻击等方法对 LLM 的安全能力进行评估。 

与之前的工作相比，CYBERSECEVAL 3增加了全新的评估领域，包括自动化社会工程、扩展手动攻击性网络操作和自动化攻击性网络操作，并测试了全新发布的Llama 3 405B模型。

在自动化社会工程评估方面，CYBERSECEVAL 3考虑了钓鱼攻击场景，尝试让 LLM 说服受害者下载并打开恶意附件，并分别通过大模型及人工对不同模型的说服能力进行评分。结果表明 Llama 3 405B展现了介于“中等”和“差”之间的说服能力，难以成功实现钓鱼攻击。

在扩展手动攻击性网络操作方面，CYBERSECEVAL 3聚焦于受测LLM在帮助人类攻击者进行网络攻击方面的帮助。从结果来看，Llama 3 405B不能显著提升攻击者的攻击效率和能力。

在自动化攻击性网络操作方面，CYBERSECEVAL 3评测了各类LLM对网络服务及端口的侦察和访问、漏洞识别和漏洞利用等能力。结果显示 Llama 3 405B仅能完成部分低复杂度操作，无法在自动化网络攻击方面产生威胁。

腾讯朱雀实验室 Red Team 团队使用自建的安全数据集对 Gemma、Llama 2、Llama 3、Llama3.1的模型安全性进行了测试。结果显示，Llama3.1 + Llama Guard 3的组合较上一个版本在安全性上提升了0.58%，达到了99.04%的拦截率，表现出较高的安全性。

在越狱检测场景中，Prompt Guard的准确率达88.2%，但仍有6.4%的样本未能被成功识别出潜在的恶意意图。对于涉及黑数据场景注入和越狱的标签分类，Prompt Guard的准确率表现可以接受，但仍有提升空间。

值得注意的是，在白样本集的处理中，我们观察到了一个显著的挑战：Prompt Guard的误报率高达86.4%！这一数据凸显了Prompt Guard在处理正常对话时的过度敏感。

下图展示了具体示例。虽然Prompt Guard正确识别了提示注入，但对于正常的问答，其检测结果表现的不尽人意。可见该组件还需要进一步的训练和优化，才可用于下游应用中。