GuardReasoner: Rumo a Salvaguardas de LLM Baseadas em Raciocínio

GuardReasoner: Towards Reasoning-based LLM Safeguards

January 30, 2025

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

cs.AI

Resumo

À medida que os LLMs impactam cada vez mais aplicações críticas de segurança, garantir sua segurança por meio de trilhos de proteção continua sendo um desafio fundamental. Este artigo propõe o GuardReasoner, um novo mecanismo de proteção para LLMs, orientando o modelo de proteção a aprender a raciocinar. Concretamente, primeiro criamos o conjunto de dados GuardReasonerTrain, que consiste em 127 mil amostras com 460 mil etapas detalhadas de raciocínio. Em seguida, introduzimos a SFT de raciocínio para desbloquear a capacidade de raciocínio dos modelos de proteção. Além disso, apresentamos o DPO de amostra difícil para fortalecer ainda mais sua capacidade de raciocínio. Dessa forma, o GuardReasoner alcança melhor desempenho, explicabilidade e generalização. Experimentos extensivos e análises em 13 benchmarks de 3 tarefas de trilhos de proteção demonstram sua superioridade. Notavelmente, o GuardReasoner 8B supera o GPT-4o+CoT em 5,74% e o LLaMA Guard 3 8B em 20,84% no escore F1 em média. Disponibilizamos os dados de treinamento, código e modelos com diferentes escalas (1B, 3B, 8B) do GuardReasoner em: 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/.