рдЖрдЧреЗрдЕрдЧрд▓реА рдЧрд╛рдЗрдб
рд╢реАрдШреНрд░ рдЗрдВрдЬреЗрдХреНрд╢рди рдбрд┐рдЯреЗрдХреНрд╢рди рдХреНрд▓рд╛рд╕рд┐рдлрд╛рдпрд░
рддрдХрдиреАрдХреА
рддрдХрдиреАрдХреА рдЧрд╛рдЗрдб
Llama Guard is a family of safety classifiers that labels prompts and model responses against a defined hazard policy.
рдЗрд╕ рдЧрд╛рдЗрдб рдХреЛ рд╕реБрдиреЗрдВрдПрдЖрдИ-рдиреИрд░реЗрдЯреЗрдб ┬╖ ~3 min
The current Llama Guard 4 12B release is a multimodal classifier for text and images, while earlier versions have different capabilities; a classifier result is one safety signal, not a complete moderation or security system.
Llama Guard is a safety-classification model intended to work alongside a generative model. It can classify an incoming prompt, a generated response, or both, and returns a safe/unsafe label with category information for unsafe content. That output can support a productтАЩs moderation decision, but the application still has to define what to do with each label: block, transform, escalate, or permit. A classifierтАЩs categories and training policy are not automatically identical to an organizationтАЩs legal duties or product rules. Capabilities depend on the version. MetaтАЩs current Llama Guard 4 12B model card describes a natively multimodal classifier for text and one or more images, based on a hazard taxonomy, with prompt and response classification. It also describes an added text-only code-interpreter-abuse category. Earlier Guard versions are different; do not transfer Guard 4тАЩs image support, parameter size, or language claims to them. The official documentation gives model-specific prompt formats and compatibility guidance, so deployments should verify the exact checkpoint and interface they use. Use input filtering when a product wants to stop certain requests before generation, and output filtering when it wants to inspect what the model actually produced. Using both provides two decision points, but can also increase refusals or latency. Meta documents limitations including imperfect policy coverage, dependence on training knowledge for some categories, and susceptibility to adversarial or prompt-injection attacks. Evaluate the full application with representative examples, inspect false positives and misses, and add other controls for sensitive decisions. A safety label is evidence for a workflow, not proof that all unsafe content has been caught.
An application checks a user prompt before generation, then separately checks the generated response before showing it, recording which stage triggered a block.
A team handling mixed text-and-image requests evaluates both parts together with Llama Guard 4 and tests its behavior on the exact image formats used by the application.
A product maps its moderation policy to the classifierтАЩs supported hazard categories and sends uncovered cases to a separate review path.
A multilingual deployment tests representative languages, policy edge cases, false positives, and adversarial inputs before deciding where the model is suitable.
Safety classifiers are likely to remain useful as modular checks in systems that combine models, policy code, and human review. Multimodal checkpoints widen the kinds of input a single classifier can inspect, but broader coverage does not remove evaluation gaps or deployment-specific risks. Teams should track model-card changes, repeat tests when versions or policies change, and avoid treating vendor benchmark results as a substitute for testing their own use case. Publish internal acceptance criteria for the applicationтАЩs actual language and modality mix.
рдореБрдлрд╝реНрдд рдиреНрдпреВрдЬрд╝рд▓реЗрдЯрд░
рд╣рд░ рдХрд╛рд░реНрдпрджрд┐рд╡рд╕ рдХреА рд╕реБрдмрд╣ рддреАрди рд╕рддреНрдпрд╛рдкрд┐рдд рдПрдЖрдИ рдХрд╣рд╛рдирд┐рдпрд╛рдБ, рд╕рд╛рджреЗ рдЕрдВрдЧреНрд░реЗрдЬреА рдореЗрдВ рд▓рд┐рдЦреА рдЧрдИрдВред рд╣рдореЗрд╢рд╛ рдХреЗ рд▓рд┐рдП рдореБрдлрд╝реНрдд, рдХреЛрдИ рд╡рд┐рдЬреНрдЮрд╛рдкрди рдирд╣реАрдВред
рдкреНрд░рддреНрдпреЗрдХ рд╕рдкреНрддрд╛рд╣ рдХреЗ рджрд┐рди рдПрдХ рдИрдореЗрд▓. рдПрдХ рдХреНрд▓рд┐рдХ рдореЗрдВ рд╕рджрд╕реНрдпрддрд╛ рд╕рдорд╛рдкреНрдд рдХрд░реЗрдВ. рд╣рдо рдЖрдкрдХрд╛ рдкрддрд╛ рдХрднреА рдирд╣реАрдВ рдмреЗрдЪрддреЗ рдпрд╛ рд╕рд╛рдЭрд╛ рдирд╣реАрдВ рдХрд░рддреЗред
рд╕реНрд╡рдпрдВ рдХреА рдЬрд╛рдВрдЪ рдХрд░реЛ
рдкреНрд░рддреНрдпреЗрдХ рдЙрддреНрддрд░ рдкрд░ рддреНрд╡рд░рд┐рдд рдкреНрд░рддрд┐рдХреНрд░рд┐рдпрд╛, рдФрд░ рдкрд╛рдареНрдпрдХреНрд░рдо рдкрд╛рд╕ рдХрд░рдиреЗ рдХреЗ рдмрд╛рдж рдПрдХ рд╕рддреНрдпрд╛рдкрди рдпреЛрдЧреНрдп рдЖрдИрдбреА рдХреЗ рд╕рд╛рде рдПрдХ рд╕рд╛рдЭрд╛ рдХрд░рдиреЗ рдпреЛрдЧреНрдп рдкреНрд░рдорд╛рдгрдкрддреНрд░ред
рдирд┐рдГрд╢реБрд▓реНрдХ рдПрдЖрдИ рд╢рд┐рдХреНрд╖рд╛ рдХрд╛ рд╕рдорд░реНрдерди рдХрд░реЗрдВред AI Understanding рдПрдХ 501(c)(3) рдЧреИрд░-рд▓рд╛рднрдХрд╛рд░реА рд╕рдВрд╕реНрдерд╛ рд╣реИ - рдХреЛрдИ рд╡рд┐рдЬреНрдЮрд╛рдкрди рдирд╣реАрдВ, рдХреЛрдИ рдкреЗрд╡реЙрд▓ рдирд╣реАрдВред рджрд╛рди рдХрд░реЗрдВ
Llama Guard is a family of safety classifiers that labels prompts and model responses against a defined hazard policy. The current Llama Guard 4 12B release is a multimodal classifier for text and images, while earlier versions have different capabilities; a classifier result is one safety signal, not a complete moderation or security system.
рдореЙрдбрд▓ рдХрд╛рд░реНрдб рд╕реБрд░рдХреНрд╖рд┐рдд рдпрд╛ рдЕрд╕реБрд░рдХреНрд╖рд┐рдд рд╕рд╛рдордЧреНрд░реА рдФрд░ рдЦрд╝рддрд░реЗ рдХреА рд╢реНрд░реЗрдгрд┐рдпреЛрдВ рдХреЗ рд▓рд┐рдП рд▓реЗрдмрд▓ рдХрд╛ рд╡рд░реНрдгрди рдХрд░рддрд╛ рд╣реИ; рдЖрд╡реЗрджрди рдиреАрддрд┐ рдЕрднреА рднреА рдЕрдЧрд▓реА рдХрд╛рд░реНрд░рд╡рд╛рдИ рдирд┐рд░реНрдзрд╛рд░рд┐рдд рдХрд░рддреА рд╣реИред
Meta рдЧрд╛рд░реНрдб 4 рдХреЛ рдореВрд▓ рд░реВрдк рд╕реЗ рдорд▓реНрдЯреАрдореЙрдбрд▓ рдФрд░ рдПрдХ рдпрд╛ рдЕрдзрд┐рдХ рдЫрд╡рд┐рдпреЛрдВ рдХреЗ рд╕рд╛рде рдкрд╛рда рдХреЛ рд╡рд░реНрдЧреАрдХреГрдд рдХрд░рдиреЗ рд╡рд╛рд▓рд╛ рдмрддрд╛рддрд╛ рд╣реИ; рдпрд╣ рдХреЗрд╡рд▓ рдЫрд╡рд┐ рд╡рд░реНрдЧреАрдХрд░рдг рдирд╣реАрдВ рд╣реИ.
рд╡рд░реНрддрдорд╛рди рдХрд╛рд░реНрдб рд╕рдВрдпреБрдХреНрдд рдкрд╛рда-рдФрд░-рдЫрд╡рд┐ рдЗрдирдкреБрдЯ рдХрд╛ рд╡рд░реНрдгрди рдХрд░рддрд╛ рд╣реИ рдФрд░ рдХрд╣рддрд╛ рд╣реИ рдХрд┐ рдореЙрдбрд▓ рдХреЗрд╡рд▓ рдЫрд╡рд┐ рд╡рд░реНрдЧреАрдХрд░рдг рдХреЗ рд▓рд┐рдП рдбрд┐рдЬрд╝рд╛рдЗрди рдирд╣реАрдВ рдХрд┐рдпрд╛ рдЧрдпрд╛ рд╣реИред
рдореЙрдбрд▓ рдХрд╛рд░реНрдб рдкреАрдврд╝реА рд╕реЗ рдкрд╣рд▓реЗ рддреНрд╡рд░рд┐рдд рд╡рд░реНрдЧреАрдХрд░рдг рдХреЛ рдкреАрдврд╝реА рдХреЗ рдмрд╛рдж рдкреНрд░рддрд┐рдХреНрд░рд┐рдпрд╛ рд╡рд░реНрдЧреАрдХрд░рдг рд╕реЗ рдЕрд▓рдЧ рдХрд░рддрд╛ рд╣реИред
Meta рджреЛрдиреЛрдВ рдлрд╝рд┐рд▓реНрдЯрд░рд┐рдВрдЧ рдореЛрдб рдХрд╛ рд╡рд░реНрдгрди рдХрд░рддрд╛ рд╣реИ рдФрд░ рдиреЛрдЯ рдХрд░рддрд╛ рд╣реИ рдХрд┐ рджреЛрдиреЛрдВ рдХрд╛ рдЙрдкрдпреЛрдЧ рдХрд░рдиреЗ рд╕реЗ рдЕрддрд┐рд░рд┐рдХреНрдд рд╕реБрд░рдХреНрд╖рд╛ рдорд┐рд▓рддреА рд╣реИ, рдЬрдмрдХрд┐ рд╕реАрдорд╛рдПрдБ рдмрдиреА рд░рд╣рддреА рд╣реИрдВред
рд╕реАрдЦрддреЗ рд░рд╣реЛ
рдЗрд╕ рд╡рд┐рд╖рдп рдХреЗ рд▓рд┐рдП рдЕрдзрд┐рдХ рдорд╛рд░реНрдЧрджрд░реНрд╢рд┐рдХрд╛рдПрдБ рдЪреБрдиреА рдЧрдИрдВ
рдЖрдЧреЗрдЕрдЧрд▓реА рдЧрд╛рдЗрдб
рд╢реАрдШреНрд░ рдЗрдВрдЬреЗрдХреНрд╢рди рдбрд┐рдЯреЗрдХреНрд╢рди рдХреНрд▓рд╛рд╕рд┐рдлрд╛рдпрд░
рддрдХрдиреАрдХреА