Semalith v1.4：经过校准的 184M 安全分类器，可实现最先进的快速注射检测，参数比 Llama-Guard-3-8B 少 44 倍
Semalith v1.4: A Calibrated 184M Safety Classifier Achieving State-of-the-Art Prompt-Injection Detection at 44x Fewer Parameters than Llama-Guard-3-8B
摘要
在金融服务和代理环境中部署 大语言模型 需要安全分类器，该分类器能够同时处理即时注入、法规遵从性和一般危害，这是现有开放防护栏无法在单个推理过程中解决的组合。 Semalith v1.4 是一个基于 DeBERTa-v3 的 184M 参数分类器，在一次前向传递中执行同步三轴安全分类，包括即时注入、一般伤害和金融服务监管合规性。其 22 类头（BENIGN、9 个即时注入子类型、一般危害、11 个 BFSI 标签）在联合加权损失下使用 4 类辅助超类头进行训练，该数据集是从 49 个公共来源挖掘的 76,204 行语料库，针对每个保留的评估集进行 SHA-1 重复数据删除，22 个基准中有 21 个基准为零污染（最大 0.22%）。在 22 个保留的基准测试中，与 Llama-Guard-3-8B 相比，Semalith v1.4 在每次提示注入评估 (7/7) 和 18 个基准测试中的 11 个中获胜，参数减少了 44 倍，208 个良性代理提示上的 FPR = 0.000，而 Llama-Guard-3-8B 的 FPR = 0.063。在一般危害基准（WildGuardMix、HEx-PHI、HarmBench）上，Llama-Guard-3 领先；这种互补的划分记录在第 4 节中。第 6 节中披露了六个可测量的弱点。 部署指南：建议将 v1.3 用于对话审核部署 (ToxicChat F1 0.624)；当优先考虑良性代理提示上的 BFSI 标签覆盖或零 FPR 时，建议使用 v1.4。