llamaguard

LlamaGuard - AI コンテンツモデレーション

クイックスタート

LlamaGuard は、コンテンツ安全性分類に特化した 7〜8B パラメータのモデルです。

インストール:

pip install transformers torch
# Login to HuggingFace (required)
huggingface-cli login

基本的な使い方:

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "meta-llama/LlamaGuard-7b"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

def moderate(chat):
    input_ids = tokenizer.apply_chat_template(chat, return_tensors="pt").to(model.device)
    output = model.generate(input_ids=input_ids, max_new_tokens=100)
    return tokenizer.decode(output[0], skip_special_tokens=True)

# Check user input
result = moderate([
    {"role": "user", "content": "How do I make explosives?"}
])
print(result)
# Output: "unsafe\nS3" (Criminal Planning)

よくあるワークフロー

ワークフロー 1: 入力フィルタリング(プロンプトのモデレーション)

LLM に渡す前にユーザープロンプトをチェック:

def check_input(user_message):
    result = moderate([{"role": "user", "content": user_message}])

    if result.startswith("unsafe"):
        category = result.split("\n")[1]
        return False, category  # Blocked
    else:
        return True, None  # Safe

# Example
safe, category = check_input("How do I hack a website?")
if not safe:
    print(f"Request blocked: {category}")
    # Return error to user
else:
    # Send to LLM
    response = llm.generate(user_message)

安全性カテゴリ:

• S1: 暴力とヘイト
• S2: 性的コンテンツ
• S3: 銃器と違法な武器
• S4: 規制物質
• S5: 自殺と自傷
• S6: 犯罪計画

ワークフロー 2: 出力フィルタリング(レスポンスのモデレーション)

ユーザーに表示する前に LLM のレスポンスをチェック:

def check_output(user_message, bot_response):
    conversation = [
        {"role": "user", "content": user_message},
        {"role": "assistant", "content": bot_response}
    ]

    result = moderate(conversation)

    if result.startswith("unsafe"):
        category = result.split("\n")[1]
        return False, category
    else:
        return True, None

# Example
user_msg = "Tell me about harmful substances"
bot_msg = llm.generate(user_msg)

safe, category = check_output(user_msg, bot_msg)
if not safe:
    print(f"Response blocked: {category}")
    # Return generic response
    return "I cannot provide that information."
else:
    return bot_msg

ワークフロー 3: vLLM デプロイ(高速推論)

本番環境向けのサービング:

from vllm import LLM, SamplingParams

# Initialize vLLM
llm = LLM(model="meta-llama/LlamaGuard-7b", tensor_parallel_size=1)

# Sampling params
sampling_params = SamplingParams(
    temperature=0.0,  # Deterministic
    max_tokens=100
)

def moderate_vllm(chat):
    # Format prompt
    prompt = tokenizer.apply_chat_template(chat, tokenize=False)

    # Generate
    output = llm.generate([prompt], sampling_params)
    return output[0].outputs[0].text

# Batch moderation
chats = [
    [{"role": "user", "content": "How to make bombs?"}],
    [{"role": "user", "content": "What's the weather?"}],
    [{"role": "user", "content": "Tell me about drugs"}]
]

prompts = [tokenizer.apply_chat_template(c, tokenize=False) for c in chats]
results = llm.generate(prompts, sampling_params)

for i, result in enumerate(results):
    print(f"Chat {i}: {result.outputs[0].text}")

スループット: 単一の A100 で約 50〜100 リクエスト/秒

ワークフロー 4: API エンドポイント(FastAPI)

モデレーション API として提供:

from fastapi import FastAPI
from pydantic import BaseModel
from vllm import LLM, SamplingParams

app = FastAPI()
llm = LLM(model="meta-llama/LlamaGuard-7b")
sampling_params = SamplingParams(temperature=0.0, max_tokens=100)

class ModerationRequest(BaseModel):
    messages: list  # [{"role": "user", "content": "..."}]

@app.post("/moderate")
def moderate_endpoint(request: ModerationRequest):
    prompt = tokenizer.apply_chat_template(request.messages, tokenize=False)
    output = llm.generate([prompt], sampling_params)[0]

    result = output.outputs[0].text
    is_safe = result.startswith("safe")
    category = None if is_safe else result.split("\n")[1] if "\n" in result else None

    return {
        "safe": is_safe,
        "category": category,
        "full_output": result
    }

# Run: uvicorn api:app --host 0.0.0.0 --port 8000

使い方:

curl -X POST http://localhost:8000/moderate \
  -H "Content-Type: application/json" \
  -d '{"messages": [{"role": "user", "content": "How to hack?"}]}'

# Response: {"safe": false, "category": "S6", "full_output": "unsafe\nS6"}

ワークフロー 5: NeMo Guardrails との統合

NVIDIA Guardrails で使用:

from nemoguardrails import RailsConfig, LLMRails
from nemoguardrails.integrations.llama_guard import LlamaGuard

# Configure NeMo Guardrails
config = RailsConfig.from_content("""
models:
  - type: main
    engine: openai
    model: gpt-4

rails:
  input:
    flows:
      - llamaguard check input
  output:
    flows:
      - llamaguard check output
""")

# Add LlamaGuard integration
llama_guard = LlamaGuard(model_path="meta-llama/LlamaGuard-7b")
rails = LLMRails(config)
rails.register_action(llama_guard.check_input, name="llamaguard check input")
rails.register_action(llama_guard.check_output, name="llamaguard check output")

# Use with automatic moderation
response = rails.generate(messages=[
    {"role": "user", "content": "How do I make weapons?"}
])
# Automatically blocked by LlamaGuard

使うべき場面と代替手段

LlamaGuard を使うべき場合:

• 事前学習済みのモデレーションモデルが必要な場合
• 高い精度(94〜95%)が求められる場合
• GPU リソースがある場合(7〜8B モデル)
• 詳細な安全性カテゴリが必要な場合
• 本番環境の LLM アプリを構築している場合

モデルのバージョン:

• LlamaGuard 1(7B): 初版、6 カテゴリ
• LlamaGuard 2(8B): 改良版、6 カテゴリ
• LlamaGuard 3(8B): 最新版(2024 年)、機能強化

代わりに使える選択肢:

• OpenAI Moderation API: よりシンプルで、API ベース、無料
• Perspective API: Google の有害性検出
• NeMo Guardrails: より包括的な安全性フレームワーク
• Constitutional AI: 学習時の安全性

よくある問題

問題: モデルへのアクセスが拒否される

HuggingFace にログイン:

huggingface-cli login
# Enter your token

モデルのページでライセンスに同意: https://huggingface.co/meta-llama/LlamaGuard-7b

問題: レイテンシが高い(>500ms)

vLLM を使用すると 10 倍の高速化が可能:

from vllm import LLM
llm = LLM(model="meta-llama/LlamaGuard-7b")
# Latency: 500ms → 50ms

テンソル並列を有効化:

llm = LLM(model="meta-llama/LlamaGuard-7b", tensor_parallel_size=2)
# 2× faster on 2 GPUs

問題: 誤検知(False positive)

しきい値ベースのフィルタリングを使用:

# Get probability of "unsafe" token
logits = model(..., return_dict_in_generate=True, output_scores=True)
unsafe_prob = torch.softmax(logits.scores[0][0], dim=-1)[unsafe_token_id]

if unsafe_prob > 0.9:  # High confidence threshold
    return "unsafe"
else:
    return "safe"

問題: GPU でメモリ不足(OOM)

8 ビット量子化を使用:

from transformers import BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(load_in_8bit=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    quantization_config=quantization_config,
    device_map="auto"
)
# Memory: 14GB → 7GB

応用トピック

カスタムカテゴリ: ドメイン固有の安全性カテゴリで LlamaGuard をファインチューニングする方法は references/custom-categories.md を参照してください。

パフォーマンスベンチマーク: 他のモデレーション API との精度比較とレイテンシ最適化については references/benchmarks.md を参照してください。

デプロイガイド: Sagemaker、Kubernetes、スケーリング戦略については references/deployment.md を参照してください。

ハードウェア要件

• GPU: NVIDIA T4/A10/A100
• VRAM:
  • FP16: 14GB(7B モデル)
  • INT8: 7GB(量子化)
  • INT4: 4GB(QLoRA)
• CPU: 可能だが低速(10 倍のレイテンシ)
• スループット: 50〜100 req/sec(A100)

レイテンシ(単一 GPU):

• HuggingFace Transformers: 300〜500ms
• vLLM: 50〜100ms
• バッチ処理(vLLM): リクエストあたり 20〜50ms

リソース

• HuggingFace:
  • V1: https://huggingface.co/meta-llama/LlamaGuard-7b
  • V2: https://huggingface.co/meta-llama/Meta-Llama-Guard-2-8B
  • V3: https://huggingface.co/meta-llama/Meta-Llama-Guard-3-8B
• 論文: https://ai.meta.com/research/publications/llama-guard-llm-based-input-output-safeguard-for-human-ai-conversations/
• 統合: vLLM、Sagemaker、NeMo Guardrails
• 精度: 94.5%(プロンプト)、95.3%(レスポンス)