GuardReasoner: Verso le Protezioni LLM basate sul Ragionamento

GuardReasoner: Towards Reasoning-based LLM Safeguards

January 30, 2025

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

cs.AI

Abstract

Man mano che i LLM (Large Language Models) influenzano sempre di più le applicazioni critiche per la sicurezza, garantirne l'affidabilità mediante l'uso di guide rimane una sfida chiave. Questo articolo propone GuardReasoner, una nuova protezione per i LLM, guidando il modello di protezione nell'apprendimento del ragionamento. Concretamente, creiamo innanzitutto il dataset GuardReasonerTrain, che comprende 127.000 campioni con 460.000 passaggi di ragionamento dettagliati. Successivamente, introduciamo SFT di ragionamento per sbloccare la capacità di ragionamento dei modelli di protezione. Inoltre, presentiamo DPO di campioni difficili per rafforzare ulteriormente la loro capacità di ragionamento. In questo modo, GuardReasoner ottiene migliori prestazioni, spiegabilità e generalizzabilità. Estesi esperimenti e analisi su 13 benchmark di 3 compiti di protezione dimostrano la sua superiorità. Notevolmente, GuardReasoner 8B supera GPT-4o+CoT del 5,74% e LLaMA Guard 3 8B del 20,84% nel punteggio F1 in media. Rilasciamo i dati di addestramento, il codice e i modelli con diverse scale (1B, 3B, 8B) di 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/.