GuardReasoner: Naar Redeneergebaseerde LLM Beveiligingen

GuardReasoner: Towards Reasoning-based LLM Safeguards

January 30, 2025

Auteurs: Yue Liu, Hongcheng Gao, Shengfang Zhai, Jun Xia, Tianyi Wu, Zhiwei Xue, Yulin Chen, Kenji Kawaguchi, Jiaheng Zhang, Bryan Hooi

cs.AI

Samenvatting

Nu LLM's steeds meer invloed hebben op veiligheidskritieke toepassingen, blijft het waarborgen van hun veiligheid met behulp van veiligheidsmaatregelen een belangrijke uitdaging. Dit artikel stelt GuardReasoner voor, een nieuwe bescherming voor LLM's, door het bewakingsmodel te begeleiden om te leren redeneren. Concreet creëren we eerst de GuardReasonerTrain dataset, die bestaat uit 127K voorbeelden met 460K gedetailleerde redeneringsstappen. Vervolgens introduceren we redeneer-SFT om het redeneervermogen van bewakingsmodellen te ontsluiten. Daarnaast presenteren we moeilijke voorbeeld-DPO om hun redeneervermogen verder te versterken. Op deze manier behaalt GuardReasoner betere prestaties, verklaringsmogelijkheden en generaliseerbaarheid. Uitgebreide experimenten en analyses op 13 benchmarks van 3 bewakingsopdrachten tonen zijn superioriteit aan. Opmerkelijk genoeg overtreft GuardReasoner 8B GPT-4o+CoT met 5.74% en LLaMA Guard 3 8B met 20.84% F1-score gemiddeld. We stellen de trainingsgegevens, code en modellen met verschillende schalen (1B, 3B, 8B) van GuardReasoner beschikbaar op: https://github.com/yueliu1999/GuardReasoner/.

English

As LLMs increasingly impact safety-critical applications, ensuring their safety using guardrails remains a key challenge. This paper proposes GuardReasoner, a new safeguard for LLMs, by guiding the guard model to learn to reason. Concretely, we first create the GuardReasonerTrain dataset, which consists of 127K samples with 460K detailed reasoning steps. Then, we introduce reasoning SFT to unlock the reasoning capability of guard models. In addition, we present hard sample DPO to further strengthen their reasoning ability. In this manner, GuardReasoner achieves better performance, explainability, and generalizability. Extensive experiments and analyses on 13 benchmarks of 3 guardrail tasks demonstrate its superiority. Remarkably, GuardReasoner 8B surpasses GPT-4o+CoT by 5.74% and LLaMA Guard 3 8B by 20.84% F1 score on average. We release the training data, code, and models with different scales (1B, 3B, 8B) of GuardReasoner : https://github.com/yueliu1999/GuardReasoner/.