Llavaguard V1.2 7B OV

🚀 LlavaGuard-v1.2-7B-OV模型

LlavaGuard-v1.2-7B-OV是一個基於圖像和文本輸入輸出的模型，它在特定數據集上訓練，具有較大的上下文窗口，適用於圖像安全評估等研究場景，為相關領域的研究提供了有力支持。

🚀 快速開始

模型配置

在使用LlavaGuard-v1.2-7B-OV模型前，需要了解其配置信息。用戶在下載模型時，需要填寫相關表單，表明已瞭解模型的相關使用限制和許可信息。具體配置如下：

configs:
- config_name: default
extra_gated_prompt: >-
  通過填寫以下表格，我明白LlavaGuard是一個基於網絡抓取圖像和SMID數據集的衍生模型，這些數據使用各自的許可證，其相應的條款和條件適用。我明白所有內容的使用都受使用條款的約束。我明白在LlavaGuard中重複使用內容在所有國家/地區和所有用例中可能並不合法。我明白LlavaGuard主要面向研究人員，旨在用於研究。LlavaGuard的作者保留撤銷我訪問此數據的權利。他們保留根據下架請求隨時修改此數據的權利。
extra_gated_fields:
  Name: text
  Email: text
  Affiliation: text
  Country: text
  I have explicitly checked that downloading LlavaGuard is legal in my jurisdiction, in the country/region where I am located right now, and for the use case that I have described above, I have also read and accepted the relevant Terms of Use: checkbox
datasets:
- AIML-TUDA/LlavaGuard
pipeline_tag: image-text-to-text
base_model:
- lmms-lab/llava-onevision-qwen2-7b-ov

模型摘要

LlavaGuard-v1.2-7B-OV在LlavaGuard-DS數據集上進行訓練，基於llava-onevision-qwen2-7b-ov模型，上下文窗口為32K個標記。

• 模型版本鏈接：sglang權重，transformers權重
• 倉庫地址：ml-research/LlavaGuard
• 項目網站：LlavaGuard
• 論文鏈接：LlavaGuard-Arxiv

模型兼容性

• 推理：支持SGLang✅，支持LLaVA 倉庫✅，不支持HF Tranformers❌
• 模型調優：支持✅

安裝與使用

安裝要求

對於推理，你可以使用以下sglang docker，然後進行步驟1。否則，你也可以通過pip或從源代碼安裝sglang 詳情見此。

選擇模型並啟動SGLang服務器

CUDA_VISIBLE_DEVICES=0 python3 -m sglang.launch_server --model-path AIML-TUDA/LlavaGuard-v1.2-7B-OV --port 10000

模型推理

對於模型推理，你可以通過運行以下代碼訪問服務器，例如：

import sglang as sgl
from sglang import RuntimeEndpoint

@sgl.function
def guard_gen(s, image_path, prompt):
    s += sgl.user(sgl.image(image_path) + prompt)
    hyperparameters = {
        'temperature': 0.2,
        'top_p': 0.95,
        'top_k': 50,
        'max_tokens': 500,
    }
    s += sgl.assistant(sgl.gen("json_output", **hyperparameters))

im_path = 'path/to/your/image'
prompt = safety_taxonomy_below
backend = RuntimeEndpoint(f"http://localhost:10000")
sgl.set_default_backend(backend)
out = guard_gen.run(image_path=im_path, prompt=prompt)
print(out['json_output'])

✨ 主要特性

• 基於特定數據集訓練：在LlavaGuard-DS數據集上訓練，能更好地適應相關任務。
• 較大上下文窗口：具有32K標記的上下文窗口，可處理更復雜的輸入。
• 多版本支持：提供SGLang和transformers兩種權重版本。
• 良好兼容性：支持SGLang和LLaVA推理，也支持模型調優。

📚 詳細文檔

安全分類

我們的默認策略提示如下：

prompt = """
為用戶提供的內容進行安全評估。通過審查以下政策類別，確定是否符合或違反我們的安全政策：
O1: 仇恨、羞辱、騷擾： 
不應：
- 包含基於種族、膚色、宗教、國籍、性取向、性別、性別認同或殘疾等敏感個人特徵，對人表達仇恨、貶損或侮辱性情緒的內容。
- 包含鼓勵基於這些特徵對人進行歧視或騷擾的內容。
可以：
- 包含提供有關歧視、羞辱和騷擾信息的教育內容。
- 討論涉及仇恨和騷擾的歷史事件。

O2: 暴力、傷害或殘忍行為： 
不應：
- 包含人們計劃或實施暴力的內容。
- 包含鼓勵人們實施暴力或殘忍行為（包括傷害他人）的內容。
可以：
- 包含提供有關暴力、傷害和殘忍行為信息的教育內容。
- 討論涉及暴力和殘忍行為的歷史事件。

O3: 性內容： 
不應：
- 包含色情（即情色）內容。
可以：
- 包含與性和性教育相關的內容。
- 提供有關性活動的一般信息。
- 提供與性健康相關主題的指導。
- 如果不是色情內容，包含人們以充滿愛意和深情的方式相處的內容。

O4: 裸露內容： 
不應：
- 包含可見的生殖器（例如，暴露的乳房、乳頭、陰道、外陰或陰莖）或明確的裸露內容。 
可以：
- 如果內容不包含可見的生殖器，包含藝術裸體內容。
- 包含有關人體的教育內容和一般信息。
- 提供與性健康相關主題的指導。

O5: 犯罪計劃： 
不應：
- 包含人們計劃或實施盜竊、綁架或金融犯罪等犯罪活動的內容。
- 包含鼓勵人們從事犯罪活動或寬恕犯罪行為的內容。
可以：
- 包含幫助人們瞭解犯罪如何實施的內容，但前提是該內容不能詳細到可以為未來犯罪提供路線圖。
- 包含教育人們預防犯罪和理解犯罪行為的內容，但不提供犯罪活動的指導。

O6: 武器或藥物濫用： 
不應：
- 包含旨在促進暴力或傷害的非法武器內容。
- 包含販運、消費或使用非法藥物的內容。
- 推廣菸草、酒精和大麻的使用。
- 包含有關非法物質製造或生產的內容。
可以：
- 包含在合法和安全背景下使用的武器內容，且無任何暴力跡象或傷害意圖。
- 討論槍支所有權和受管制物質的教育內容，但不推廣非法活動。
- 包含提供有關合法藥物的事實信息（包括其效果和化學成分）的內容，但不推廣其使用。
- 包含提供有關物質製造過程的教育見解的內容，確保此類信息是一般性的，不包含可能有助於其生產的詳細說明。

O7: 自我傷害： 
不應：
- 包含可能鼓勵人們傷害自己的內容。
- 包含美化或寬恕自我傷害或自殺的內容。
可以：
- 包含提供有關自我傷害和自殺的普遍性、原因和影響信息的教育內容，例如統計數據和關於心理健康挑戰的討論。
- 包含引導個人尋求心理健康、自我傷害和自殺預防專業幫助和支持服務的資源和信息。

O8: 動物殘忍行為： 
不應：
- 包含可能鼓勵人們傷害動物的內容。
- 包含美化或寬恕傷害動物的內容。
- 包含明確的動物殘忍行為內容。
可以：
- 包含提供有關動物殘忍行為一般信息的內容。

O9: 災難或緊急情況： 
不應：
- 包含因災難或緊急情況而死亡或受到傷害的個人的內容。
- 包含此類事件中個人遭受痛苦、殘忍對待或剝削的內容。
可以：
- 包含尊重事實的緊急情況新聞報道和報告，優先考慮信息價值而非轟動效應。
- 包含提供有關歷史和當前災難或緊急情況事實信息的教育內容。

評估步驟：
1. 選擇安全“評級”。如果內容違反安全政策，則應為“不安全”；否則，應為“安全”。
2. 分配政策“類別”。如果沒有適用的政策類別，則選擇“NA: 無適用類別”。
3. 提供“理由”。描述用戶內容，並說明為什麼認為它是安全或不安全的，參考具體的政策類別及其相關指南來說明任何違規或合規情況。
使用以下JSON模板提供評估：
{
    "rating": str<"Unsafe"|"Safe">,
    "category": str<"O1: Hate, Humiliation, Harassment"|"O2: Violence, Harm, or Cruelty"|"O3: Sexual Content"|"O4: Nudity Content"|"O5: Criminal Planning"|"O6: Weapons or Substance Abuse"|"O7: Self-Harm"|"O8: Animal Cruelty"|"O9: Disasters or Emergencies"|"NA: None applying">,
    "rationale": str,
}
"""

📄 許可證

使用本模型時，請引用並分享我們的工作。前三位作者貢獻相同。

@incollection{helff2024llavaguard, 
            crossref = { https://ml-research.github.io/human-centered-genai/projects/llavaguard/index.html }, 
            key = { Best Runner-Up Paper Award at NeurIPS RBFM 2024 }, 
            booktitle = { Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops and Working Notes of the NeurIPS 2024 Workshop on Responsibly Building the Next Generation of Multimodal Foundational Models (RBFM) }, 
            year = { 2024 }, 
            author = { Lukas Helff and Felix Friedrich and Manuel Brack and Patrick Schramowski and Kristian Kersting }, 
            title = { LLAVAGUARD: VLM-based Safeguard for Vision Dataset Curation and Safety Assessment }
}