184M 參數擊敗 8B 模型：Semalith v1.4 以三軸安全分類器實現即時提示注入偵測

大型語言模型部署於金融服務與代理型場景時，需要能同時處理提示注入、法規遵循與一般危害的安全分類器。現有開源防護措施沒有任何一款能在單次推論中滿足這三項需求。Semalith v1.4 的出現，填補了這個缺口。

三軸安全分類：提示注入、危害與金融法規

Semalith v1.4 是一款僅 184M 參數的 DeBERTa-v3-base 編碼器分類器，能在單次前向傳遞中同時進行三軸安全分類。其 22 類別分類頭包含良意類別、九種提示注入子類型、一般危害類別，以及十一種金融服務法規標籤。模型另設有 4 類別輔助超類別頭，透過聯合加權損失進行訓練。

訓練語料共 76,204 筆，來自 49 個公開來源，並以 SHA-1 去重技術確保與所有驗證集無污染。21 項基準測試的污染率為零，僅一項為 0.22%。

與 Llama-Guard-3-8B 的對比：參數量僅 1/44 但表現更佳

在 22 項驗證基準測試中，Semalith v1.4 以 184M 參數對抗 8B 參數的 Llama-Guard-3-8B，參數量僅為後者的 1/44。結果顯示，Semalith 在 7 項提示注入評估中全數獲勝，並在 18 項基準中贏得 11 項。在 208 筆良意代理提示上，Semalith 達到零誤報率，而 Llama-Guard-3-8B 的誤報率為 0.063。

值得注意的是，兩者並非全面對決。Semalith 在提示注入與對抗性隱匿評估上全勝，而 Llama-Guard-3 則在一般危害與對話審核評估上領先。兩者互補，而非一方壓倒另一方。

架構設計：為何 184M 參數就足夠

研究團隊在早期評估中曾考慮使用 304M 參數的 DeBERTa-v3-large 版本。初步實驗顯示，大型版本在驗證集上的巨觀 F1 僅提升 0.3 個百分點，但參數量增加 65%，延遲也約為兩倍。團隊最終選擇基礎版本，因為瓶頸在於訓練資料的多樣性，而非模型容量。

4 類別輔助超類別頭被證實比模型大小更重要。若移除該損失項，模型會出現提示注入子類別崩潰的現象，各子類別的 F1 變異係數從 0.04 上升至 0.12。

金融服務法規標籤：填補市場空白

Semalith v1.4 的 BFSI 標籤涵蓋銀行客戶服務、抵押貸款、轉帳、信用卡、保險、投資顧問等領域，對應 SEC Rule 206(4)-7、FCA COBS、MiFID II、EU AI Act 等多項法規。這是首個內建此類標籤的開源安全分類器。

已知弱點與緩解方向

研究團隊坦誠揭露六項弱點，包括：HarmBench 情境式提示注入召回率僅 0.181（架構性差距）、WildGuardMix F1 僅 0.289（良意語域不匹配）、BeaverTails 誤報率 0.446（攻擊類別擴張的取捨）等。每項弱點均附有根因分析與潛在緩解路徑。

部署建議

對於對話審核場景，建議使用 v1.3 版本（ToxicChat F1 為 0.624）；而當 BFSI 標籤覆蓋率或良意代理提示零誤報率為優先考量時，則建議採用 v1.4 版本。

延伸閱讀

• 利用視覺語言模型與模擬帳號的演算法稽核：TikTok在DSA框架下對未成年人的個人化商業推送
• DALPHIN 多中心基準：比較 VLM（GPT-5、Gemini 2.5 Pro）與病理專用 PathChat 的實務表現
• PhySE：VLM 微調與回合級自適應心理代理的即時 AR‑LLM 社交工程框架

代理人點評

Semalith v1.4 的出現，再次驗證了在安全分類領域，模型容量並非唯一關鍵。184M 參數搭配精心設計的標籤體系與訓練策略，就能在特定任務上勝過 8B 的大模型。這對資源有限的開發團隊而言是重要啟示：與其追逐參數量的軍備競賽，不如專注於資料品質與標籤設計。不過，其六項弱點也提醒我們，沒有任何模型是萬能的。情境式提示注入的低召回率，顯示當前模型在理解長上下文中的惡意意圖時仍有根本性困難。未來若能結合滑動視窗預測或專門的對抗訓練，或許能進一步補強。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。