GuardReasoner : Vers des Garde-fous LLM basés sur le Raisonnement

GuardReasoner: Towards Reasoning-based LLM Safeguards

January 30, 2025

Auteurs: Yue Liu, Hongcheng Gao, Shengfang Zhai, Jun Xia, Tianyi Wu, Zhiwei Xue, Yulin Chen, Kenji Kawaguchi, Jiaheng Zhang, Bryan Hooi

cs.AI

Résumé

À mesure que les LLMs ont un impact croissant sur les applications critiques en termes de sécurité, garantir leur sûreté à l'aide de garde-corps reste un défi majeur. Cet article propose GuardReasoner, un nouveau dispositif de sécurité pour les LLMs, en guidant le modèle de garde à apprendre à raisonner. Concrètement, nous créons d'abord l'ensemble de données d'entraînement GuardReasonerTrain, qui comprend 127 000 échantillons avec 460 000 étapes de raisonnement détaillées. Ensuite, nous introduisons le SFT de raisonnement pour libérer la capacité de raisonnement des modèles de garde. De plus, nous présentons DPO d'échantillon difficile pour renforcer davantage leur capacité de raisonnement. De cette manière, GuardReasoner obtient de meilleures performances, une meilleure explicabilité et une meilleure généralisabilité. Des expériences approfondies et des analyses sur 13 référentiels de 3 tâches de garde-corps démontrent sa supériorité. Remarquablement, GuardReasoner 8B surpasse GPT-4o+CoT de 5,74 % et LLaMA Guard 3 8B de 20,84 % en score F1 en moyenne. Nous mettons à disposition les données d'entraînement, le code et les modèles avec différentes échelles (1B, 3B, 8B) de GuardReasoner : https://github.com/yueliu1999/GuardReasoner/.

English

As LLMs increasingly impact safety-critical applications, ensuring their safety using guardrails remains a key challenge. This paper proposes GuardReasoner, a new safeguard for LLMs, by guiding the guard model to learn to reason. Concretely, we first create the GuardReasonerTrain dataset, which consists of 127K samples with 460K detailed reasoning steps. Then, we introduce reasoning SFT to unlock the reasoning capability of guard models. In addition, we present hard sample DPO to further strengthen their reasoning ability. In this manner, GuardReasoner achieves better performance, explainability, and generalizability. Extensive experiments and analyses on 13 benchmarks of 3 guardrail tasks demonstrate its superiority. Remarkably, GuardReasoner 8B surpasses GPT-4o+CoT by 5.74% and LLaMA Guard 3 8B by 20.84% F1 score on average. We release the training data, code, and models with different scales (1B, 3B, 8B) of GuardReasoner : https://github.com/yueliu1999/GuardReasoner/.