Guardião de Granito

Granite Guardian

December 10, 2024

Autores: Inkit Padhi, Manish Nagireddy, Giandomenico Cornacchia, Subhajit Chaudhury, Tejaswini Pedapati, Pierre Dognin, Keerthiram Murugesan, Erik Miehling, Martín Santillán Cooper, Kieran Fraser, Giulio Zizzo, Muhammad Zaid Hameed, Mark Purcell, Michael Desmond, Qian Pan, Inge Vejsbjerg, Elizabeth M. Daly, Michael Hind, Werner Geyer, Ambrish Rawat, Kush R. Varshney, Prasanna Sattigeri

cs.AI

Resumo

Apresentamos os modelos Granite Guardian, um conjunto de salvaguardas projetadas para fornecer detecção de riscos para prompts e respostas, possibilitando o uso seguro e responsável em combinação com qualquer modelo de linguagem grande (LLM). Esses modelos oferecem cobertura abrangente em várias dimensões de risco, incluindo viés social, profanidade, violência, conteúdo sexual, comportamento antiético, jailbreaking e riscos relacionados à alucinação, como relevância de contexto, fundamentação e relevância de resposta para geração aumentada por recuperação (RAG). Treinados em um conjunto de dados único que combina anotações humanas de fontes diversas e dados sintéticos, os modelos Granite Guardian abordam riscos geralmente ignorados por modelos tradicionais de detecção de riscos, como jailbreaks e questões específicas da RAG. Com pontuações de AUC de 0,871 e 0,854 em conteúdo prejudicial e benchmarks relacionados à alucinação da RAG, respectivamente, o Granite Guardian é o modelo mais generalizável e competitivo disponível no espaço. Lançado como código aberto, o Granite Guardian tem como objetivo promover o desenvolvimento de IA responsável em toda a comunidade.

English

We introduce the Granite Guardian models, a suite of safeguards designed to provide risk detection for prompts and responses, enabling safe and responsible use in combination with any large language model (LLM). These models offer comprehensive coverage across multiple risk dimensions, including social bias, profanity, violence, sexual content, unethical behavior, jailbreaking, and hallucination-related risks such as context relevance, groundedness, and answer relevance for retrieval-augmented generation (RAG). Trained on a unique dataset combining human annotations from diverse sources and synthetic data, Granite Guardian models address risks typically overlooked by traditional risk detection models, such as jailbreaks and RAG-specific issues. With AUC scores of 0.871 and 0.854 on harmful content and RAG-hallucination-related benchmarks respectively, Granite Guardian is the most generalizable and competitive model available in the space. Released as open-source, Granite Guardian aims to promote responsible AI development across the community. https://github.com/ibm-granite/granite-guardian