DynaGuard: Un Modelo de Barandilla Dinámica con Políticas Definidas por el Usuario

DynaGuard: A Dynamic Guardrail Model With User-Defined Policies

September 2, 2025

Autores: Monte Hoover, Vatsal Baherwani, Neel Jain, Khalid Saifullah, Joseph Vincent, Chirag Jain, Melissa Kazemi Rad, C. Bayan Bruss, Ashwinee Panda, Tom Goldstein

cs.AI

Resumen

Los modelos guardianes se utilizan para supervisar y moderar las salidas de chatbots orientados al usuario, aplicando restricciones y detectando comportamientos inadecuados. Los modelos guardianes estándar, como LlamaGuard, detectan categorías predefinidas y estáticas de daños. Proponemos modelos guardianes dinámicos que evalúan el texto basándose en políticas definidas por el usuario, lo que los hace útiles para diferentes dominios de aplicación que no son abordados por los modelos guardianes estándar. Nuestros modelos guardianes dinámicos pueden utilizarse para la detección rápida de violaciones de políticas o con un razonamiento en cadena que articula y justifica las salidas del modelo. Nuestros modelos guardianes dinámicos igualan a los modelos estáticos en precisión de detección para categorías de daños estáticos, mientras identifican violaciones de políticas de forma libre con una precisión comparable a los modelos de razonamiento de vanguardia en una fracción del tiempo.

English

Guardian models are used to supervise and moderate the outputs of user-facing chatbots, enforcing guardrails and detecting bad behaviors. Standard guardian models like LlamaGuard detect predefined, static categories of harms. We propose dynamic guardian models that evaluate text based on user-defined policies, making them useful for different application domains that are not addressed by standard guardian models. Our dynamic guardian models can be used for fast detection of policy violations or with chain-of-thought reasoning that articulates and justifies the model outputs. Our dynamic guardian models match static models in detection accuracy for static harm categories while identifying violations of free-form policies with accuracy comparable to frontier reasoning models in a fraction of the time.