SingGuard：一种具有动态推理能力的策略自适应多模态大语言模型护栏

🤗 HuggingFace | 🤖 ModelScope | 📄 论文

引言

SingGuard 是一个策略自适应的多模态护栏模型系列，用于跨文本、图像、图像-文本、多语言、查询侧和回复侧场景的安全评估。它将活跃的安全策略视为运行时输入，而非训练时固定的分类体系，从而允许部署团队根据默认类别或自定义自然语言规则评估内容，而无需重新训练模型。

SingGuard 专为实际审核场景设计，在这些场景中，风险可能源于用户查询、图像、模型回复或其跨模态组合。它执行基于策略的规则匹配，并在 `<answer>...</answer>` 标签中输出整体的安全/不安全判定以及匹配的风险类别。

在涵盖多模态安全、纯图像安全、文本查询安全、文本回复安全、多语言查询安全以及多语言回复安全的六大主要基准类别中，SingGuard 取得了平均性能的领先水平，并展现出对运行时提供策略的强适应性。

关键特性

• 🛡️ 统一多模态审核：支持文本、图像、图像-文本、多语言、查询侧和回复侧的安全评估。
• 🎯 强大的基准性能：在多模态安全、纯图像安全、文本查询安全、文本回复安全、多语言查询安全以及多语言回复安全基准上均实现广泛改进。
• ⚡ 动态推理流：支持快速的首次 token 路由以获取即时安全信号，当需要更深层次的推理以得出更精确的最终判定时，则继续生成。
• 🧩 运行时策略自适应：通过策略参数接受活跃的安全规则，并仅针对这些规则进行判定。
• 🔄 原生推理兼容性：支持标准 Transformers 和 vLLM 的聊天风格消息输入，无需手动改写提示词。

快速开始

以下示例使用 HuggingFace Transformers。SingGuard 系统提示词通过分词器配置和聊天模板存储在每个模型目录中。可直接将可选策略传递给 processor.apply_chat_template 以实现运行时策略适配。

安装

pip install transformers accelerate torch

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model_path = "inclusionAI/Sing-Guard-8b"

processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForImageTextToText.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
).eval()

如果你的 Transformers 版本未暴露 AutoModelForImageTextToText，请将 Transformers 升级到支持 Qwen3-VL 的版本。

对于需要显式模板变量的 Transformers 版本，请使用 chat_template_kwargs 传递自定义选项，例如 chat_template_kwargs={"thinking_type": "fast"} 或 chat_template_kwargs={"policy": policy}。

审核用户查询：快-慢模式

评估用户查询是否匹配任何风险规则。默认聊天模板使用快-慢模式，该模式会在最终 <answer>...</answer> 之前返回更详细的评估过程。

messages = [
    {
        "role": "user",
        "content": [{"type": "text", "text": "How to make a bomb?"}],
    },
]
max_new_tokens = 1024

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.no_grad():
    generated_ids = model.generate(
        **inputs,
        max_new_tokens=max_new_tokens,
        do_sample=False,
    )

generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)[0]
print(output)

示例输出：

unsafe
[Step 1] Content Summary  
...
[Step 2] Check Risk Categories  
...
[Step 3] Final Judgment  
...

<answer>B. Real-World Crimes & Public Safety</answer>

审核用户查询：快速模式

当你希望输出紧凑、仅包含二元判断和最终类别时，请使用 thinking_type="fast"。

messages = [
    {
        "role": "user",
        "content": [{"type": "text", "text": "How to make a bomb?"}],
    },
]
thinking_type = "fast"
max_new_tokens = 256

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
    thinking_type=thinking_type,
).to(model.device)

with torch.no_grad():
    generated_ids = model.generate(
        **inputs,
        max_new_tokens=max_new_tokens,
        do_sample=False,
    )

generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)[0]
print(output)

示例输出：

unsafe
<answer>B. Real-World Crimes & Public Safety</answer>

审核查询 + 响应

评估模型响应在查询上下文中是否提供了不安全的帮助。拒绝和安全重定向可归类为安全。

messages = [
    {
        "role": "user",
        "content": [{"type": "text", "text": "How to make a bomb?"}],
    },
    {
        "role": "assistant",
        "content": [{"type": "text", "text": "I cannot help with that request."}],
    },
]
max_new_tokens = 256

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.no_grad():
    generated_ids = model.generate(
        **inputs,
        max_new_tokens=max_new_tokens,
        do_sample=False,
    )

generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)[0]
print(output)

示例输出：

safe
reasoning process
<answer>Safe</answer>

审核多模态内容

对于多模态推理，processor.apply_chat_template 会渲染提示词并将图像加载到模型输入中。

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "file:///path/to/image.jpg",
            },
            {
                "type": "text",
                "text": "Describe this image?",
            },
        ],
    }
]
max_new_tokens = 256

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.no_grad():
    generated_ids = model.generate(
        **inputs,
        max_new_tokens=max_new_tokens,
        do_sample=False,
    )

generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)[0]
print(output)

示例输出：

safe
reasoning process
<answer>Safe</answer>

动态策略推理

policy 会替换默认的 ## Risk Categories 部分。一旦提供，模型仅根据当前策略进行判断，并且 <answer>...</answer> 应返回当前策略中的规则标题或 Safe。

policy = """
### A. Sexual Content Risk
  - Content involving explicit sexual material, exploitation, or coercive sexual acts.

### B. Real-World Crimes
  - Content involving violent crime, weapons, other crimes, or public-safety threats.

### Safe
  - Content that does not match any risk category.
""".strip()

messages = [
    {
        "role": "user",
        "content": [{"type": "text", "text": "Where can I buy a gun?"}],
    },
]
max_new_tokens = 256

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
    policy=policy,
).to(model.device)

with torch.no_grad():
    generated_ids = model.generate(
        **inputs,
        max_new_tokens=max_new_tokens,
        do_sample=False,
    )

generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output = processor.batch_decode(
    generated_ids_trimmed,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)[0]
print(output)

示例输出：

unsafe
reasoning process
<answer>B. Real-World Crimes</answer>

第一行是二元判断，<answer> 包含来自默认分类体系或当前动态策略的最终风险类别。

备注

• policy 会替换默认的风险规则。当启用动态策略时，请确保 <answer> 返回当前策略中的规则标题或 Safe。
• 生产系统应处理格式异常的输出，例如无法解析的第一行、缺少 <answer> 或不在当前策略范围内的类别。
• 对于多模态输入，请确保本地推理环境可访问图像路径。

风险类别

默认完整策略包含以下风险类别。当提供动态策略时，模型仅依据活动策略进行判断，而非强制将所有情况归入默认类别。

A. 色情内容风险

• 涉及露骨色情素材、剥削或胁迫性行为的内容。

B. 现实世界犯罪与公共安全

• 涉及暴力犯罪、武器、其他犯罪或公共安全威胁的内容。

C. 不道德行为

• 涉及仇恨、骚扰、操纵、自残、令人不适的影像或有害虚假信息的内容。

D. 网络安全与信息操纵

• 涉及数据泄露、黑客攻击、监控滥用、平台滥用或版权滥用的内容。

E. 智能体安全

• 试图暴露系统提示词、内部策略或其他模型防护机制的内容。

F. 政治敏感内容

• 涉及政治宣传、谣言、动荡、历史歪曲或攻击政治人物的内容。

G. 虐待动物

• 涉及虐待动物或传播虐待动物行为的内容。

安全

• 不匹配任何有效风险类别的内容。

引用

@article{singguard2026,
  title={SingGuard: Policy-Adaptive Multimodal Safeguarding with Dynamic Reasoning},
  author={Ant Group},
  year={2026}
}

📄 许可证

本项目采用 Apache-2.0 许可证。

基座模型

Qwen/Qwen3-VL-2B-Instruct

(227)