К содержимому
Языковые модели

X3Guard-150M

компактный фильтр опасных промптов и джейлбрейков

2 мин чтения

X3Guard-150M — лёгкая модель классификации текста от Axiomic Labs, дообученная на базе гибридной архитектуры GPT-X3-150M (149M параметров). Она проверяет входящий пользовательский промпт и выдаёт две независимые оценки: насколько запрос вредоносный (harm_score) и является ли он состязательной атакой вроде джейлбрейка или prompt-injection (adversarial_score). При скромном размере модель обходит по совокупности обеих задач гораздо более тяжёлые аналоги, включая Llama Guard 4 12B и gpt-oss-safeguard-20b. Решение подойдёт разработчикам ИИ-ассистентов и чат-ботов, которым нужна быстрая предварительная фильтрация трафика без высоких затрат на GPU.

Ключевые особенности

  • Двойная оценка безопасности: две независимые сигмоидные головы одновременно оценивают вредоносность запроса и попытки взлома инструкций (prompt-injection).
  • Три режима строгости: готовые пресеты strict, balanced (по умолчанию) и permissive позволяют балансировать между пропуском атак и ложными срабатываниями.
  • Высокая скорость и малый вес: всего 149M параметров, медианная задержка 33,3 мс на одиночный запрос и 1,02 ГБ пиковой памяти на RTX 4080; также доступны ONNX-кванты для CPU.
  • Чистая валидация: все обучающие датасеты (WildGuardMix, WildChat, HackAPrompt и др.) предварительно очищались от совпадений с тестовыми бенчмарками.

Что можно сделать

  • Встроить как входной шлюз в чат-бота: отсекать токсичные запросы и попытки обхода системного промпта до отправки запроса в основную дорогую LLM.
  • Настроить мягкую модерацию для ролевых игр и творчества: использовать режим permissive (пороги 0.7 и 0.9), чтобы минимизировать ложные блокировки безобидных сценариев.
  • Запускать локально на CPU или в батчах: обрабатывать до 84,5 промптов в секунду при batch_size=32 или перевести инференс на процессор с помощью версии X3Guard-150M-ONNX.

Пример

from transformers import AutoModelForSequenceClassification, AutoTokenizer
from transformers.dynamic_module_utils import get_class_from_dynamic_module

model_id = "AxiomicLabs/X3Guard-150M"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForSequenceClassification.from_pretrained(model_id, trust_remote_code=True).eval()
classify = get_class_from_dynamic_module("inference.classify", model_id)
print(classify(model, tokenizer, ["What is the capital of France?"]))
Подробнее Метрики (режим Balanced): средний Harm F1 — 0.818 (WildGuardTest 0.874, CircleGuardBench 0.761), средний Adversarial F1 — 0.673 (jackhhao 0.931, TrustAIRLab 0.416).
Ограничение длины: до 1024 токенов (для более длинных промптов сохраняются первые 768 и последние 255 токенов, середина отбрасывается).
Ограничения: проверяет только входные промпты (не ответы модели), не разбивает нарушения на категории, оценивалась преимущественно на английском языке.
Примеры
Обсудить Telegram 15 74

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.6 GB · готовые файлы1.2 GB
  • BF16веса 0.3 GB0.9 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.8 GB
  • 4-bitвеса 0.1 GB0.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # AxiomicLabs/X3Guard-150M — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve AxiomicLabs/X3Guard-150M --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к X3Guard-150M
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

AxiomicLabs/GPT-X3-150M

Новые посты про версии GPT-X3-150M — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 1Все на Hugging Face
Дообучения 2Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

AxiomicLabs/X3Guard-150M
Автор
AxiomicLabs
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

7415

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Lanternfall-4B

Lanternfall-4B