按住下方图标，点击小程序

免费领取AI学习资料、精选提示词

法国知名大模型平台Mistral刚开源了多模态安全分类模型Shieldstral-1.0-3B。

这是一个30亿参数模型，16G显存就能跑，完全可以在本地高效率部署。

Shieldstral-1.0-3B最大的亮点是不依赖那些固化的违规标签体系，推理的时候直接接收自然语言写成的安全审核规则，然后对文本、图片、图文混合的内容进行风险判定，最后输出一个连续型的安全置信分数。

用户完全可以根据需求自定义分数阈值，灵活决定拦截还是放行，整个过程不需要重新训练模型就能适配新的合规要求，可以节省大量开发时间。

开源地址：https://huggingface.co/mistralai/Shieldstral-1.0-3B

从架构细节来看，Shieldstral基于Ministral-3-3B-Base-2512底座构建，原生集成了Pixtral视觉编码器，单次前向推理就能完成内容风险判定，不用多轮调用。

该模型的核心创新点就是策略自适应，推理阶段直接传入自由格式的自然语言审核指令。

同一套模型权重就能适配各种全新的安全规范，彻底摆脱了传统安全模型改规则就要重训的困扰。

在跨分类体系适配测试里，F1分数居然达到了91.3%，这个成绩真的是相当亮眼。

不仅如此，Shieldstral还是原生多模态的，统一接口同时支持纯文本、纯图片、图文配对的内容审核，一套安全组件就能覆盖图文生成全链路的风险拦截。

多语言支持方面也做得比较全面，英语、法语、西班牙语、德语、意大利语、葡萄牙语、荷兰语、中文、日语、韩语等12种语言都覆盖了。

不过阿拉伯语和印尼语场景下的性能略低于主流基线，这是当前版本的已知局限，官方也表示后续迭代会持续优化多语言均衡表现。

上下文长度方面，训练阶段采用了最高32k的上下文序列，理论上支持256k的上下文窗口。

不过生产环境建议控制在32k以内以保障稳定性能，这个建议非常实用，毕竟长文本处理对推理压力确实不小。

再来看看大家最关心的安全性能对比。在公开和内部主流文本安全基准测试里，Shieldstral的文本识别能力可以对标参数量达到自身7倍的开源安全模型。

比如那些20B规模的模型，在多模态图文审核赛道上直接刷新了行业最优水平。

Shieldstral还能同步校验用户输入的提示词与大模型输出的文本，精准捕捉主生成模型遗漏的各类风险内容，这点特别重要，因为很多风险其实往往出在输入端。

举个具体的落地场景吧，比如内容营销机构经常使用大模型批量生成营销文案，很多时候会无意中产出一些冒犯性的表述或者提到竞品商标。