Llama Guard 3 安全审查模型

Llama Guard 3（Meta 官方推出的开源大模型安全审核卫士模型，基于 Llama-3.1-8B/1B 微调）是一个专门用于评估对话安全合规性的轻量级审判模型；它支持对用户输入 (Input Prompt) 与模型输出 (Model Output) 进行双向双阶段实时审查；模型严格遵循标准化的危害分类体系 (Harm Taxonomy，涵盖 S1 暴恐暴力、S2 性相关、S3 违禁物品、S4 自残自杀、S5 仇恨言论、S6 提示注入越狱、S7 代码漏洞利用等 13+ 类风险标签)，输入文本后以确定性格式输出 `safe` 或 `unsafe \n S1,S6`。

企业级大模型网关的前置输入审核防火墙与后置生成内容合规拦截、多租户 SaaS 平台的敏感内容合规风控。

依赖通用大模型自身做安全拒答容易被花样繁多的越狱提示绕过，且通用模型自我反思延迟巨大；Llama Guard 3 作为专属小模型以极低延迟拦截有害输入，同时允许开发者自定义增删敏感分类与定制政策。

详细梳理 Llama Guard 3 的 Harm Taxonomy 核心分类体系（S1 至 S13 类安全危害标准）？

如何通过修改系统提示词中的危害策略定义 (Safety Policy Customization)，使 Llama Guard 支持企业自定义私有违规分类？

输入审核 (Input Moderation) 与输出审核 (Output Moderation) 的 Prompt 结构与角色标记差异？

在流式响应 (Streaming Output) 场景下，如何结合滑动窗口对实时 Token 流进行分块安全审核以避免延迟阻断？

Llama Guard 3 1B 轻量化边缘版 vs 8B 版在分类准确率 (F1-score) 与端到端推理延迟上的实测基准？