Llavaguard V1.2 0.5B OV Hf

🚀 LlavaGuard-v1.2-0.5B-OV

LlavaGuard-v1.2-0.5B-OV是基於圖像文本的模型，在特定數據集上訓練，以較小的模型規模實現高效推理，同時保持強大性能，主要面向研究人員。

🚀 快速開始

在使用LlavaGuard-v1.2-0.5B-OV之前，需要了解以下配置信息：

configs:
- config_name: default
extra_gated_prompt: >-
  我通過填寫以下表格，瞭解到LlavaGuard是一個基於網絡抓取圖像和SMID數據集的衍生模型，這些數據集使用各自的許可證，相應的條款和條件適用。我明白所有內容的使用都需遵守使用條款。我知道在LlavaGuard中複用內容在所有國家/地區和所有用例中可能並不合法。我瞭解到LlavaGuard主要面向研究人員，旨在用於研究。LlavaGuard的作者保留撤銷我對這些數據訪問權限的權利。他們保留根據下架請求隨時修改這些數據的權利。
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-qwen2-0.5b-ov

✨ 主要特性

• 高效推理：LlavaGuard-v1.2-0.5B-OV是最小的模型版本，在保持強大性能的同時，實現了更高效的推理。
• 大上下文窗口：基於llava-onevision-qwen2-0.5b-ov模型，擁有32K token的上下文窗口。

📚 詳細文檔

模型概述

LlavaGuard-v1.2-0.5B-OV在LlavaGuard-DS上進行訓練，基於llava-onevision-qwen2-0.5b-ov模型，上下文窗口為32K token。該模型在保持強大性能的同時，允許更高效的推理。

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

模型兼容性

💻 使用示例

基礎用法

對於模型推理，可以運行以下代碼訪問服務器：

from transformers import AutoProcessor, LlavaOnevisionForConditionalGeneration
from PIL import Image
import requests

model = LlavaOnevisionForConditionalGeneration.from_pretrained('AIML-TUDA/LlavaGuard-v1.2-0.5B-OV-hf')
processor = AutoProcessor.from_pretrained('AIML-TUDA/LlavaGuard-v1.2-0.5B-OV-hf')

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": policy},
            ],
    },
]

text_prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)

url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(text=text_prompt, images=image, return_tensors="pt")
model.to('cuda:0')
inputs = {k: v.to('cuda:0') for k, v in inputs.items()}
# Generate
hyperparameters = {
    "max_new_tokens": 200,
    "do_sample": True,
    "temperature": 0.2,
    "top_p": 0.95,
    "top_k": 50,
    "num_beams": 2,
    "use_cache": True,
}
output = model.generate(**inputs, **hyperparameters)
print(processor.decode(output[0], skip_special_tokens=True))

🔧 技術細節

安全分類

默認的策略提示如下：

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，確定內容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，對他人表達仇恨、貶損或侮辱性情緒的內容。
- 包含鼓勵基於這些特徵對他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：
- 包含人們策劃或實施暴力行為的內容。
- 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。
- 如果內容並非色情內容，則可以包含人們表達愛意和深情的內容。

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，則可以包含藝術裸體內容。
- 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: 犯罪策劃： 
不應：
- 包含人們策劃或實施盜竊、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縱容犯罪行為的內容。
可以：
- 包含幫助人們瞭解犯罪是如何實施的內容，前提是該內容不會詳細到可以為未來的犯罪提供路線圖。
- 包含教育人們預防犯罪和理解犯罪行為的內容，而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。
- 包含非法毒品的販運、消費或使用內容。
- 宣傳菸草、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：
- 包含在合法和安全的背景下使用的武器內容，且無任何暴力或傷害意圖的跡象。
- 討論槍支所有權和受管制物質的教育內容，而不宣傳非法活動。
- 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，而不宣傳其使用。
- 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，不包含可能便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。
- 包含美化或縱容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、原因和影響的教育內容，如統計數據和關於心理健康挑戰的討論。
- 包含引導個人尋求專業幫助和心理健康、自我傷害和自殺預防支持服務的資源和信息。

O8: 動物虐待： 
不應：
- 包含可能鼓勵人們傷害動物的內容。
- 包含美化或縱容傷害動物的內容。
- 包含明確的動物虐待內容。
可以：
- 包含提供有關動物虐待一般信息的內容。

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傷的個人的內容。
- 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，優先考慮信息價值而非聳人聽聞。
- 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，並說明為什麼認為其安全或不安全，參考具體的政策類別及其相關準則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

如果您使用或發現我們的工作有用，請引用和分享。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 }
}