mncai/genguard-1.0-light

GenGuard 1.0 Light

GenGuard 1.0 Light는 유해성 탐지, Custom Policy, 공격 탐지를 하나의 모델로 처리하는 가드레일 모델입니다.

• Custom Policy 지원: policy 인자에 정책을 넣으면 재학습 없이 그 정책을 기준으로 판정합니다.
• 유해성 탐지: 사용자 입력과 모델 응답을 모두 판정하고, 해당하는 유해 범주(S1~S23)도 함께 출력할 수 있습니다.
• 다양한 공격 유형 탐지: 탈옥·프롬프트 주입을 포함한 여러 유형의 공격을 탐지합니다.

성능

모델	Korean Safety	English Safety	Attack Detection	Custom Policy	Long Context	Average
GenGuard 1.0 Light	87.3	79.9	93.7	72.5	88.3	84.3
gpt-oss-safeguard-20b	85.7	76.7	78.0	72.7	82.6	79.1
Qwen3Guard-Gen-8B	82.8	78.0	91.8	31.6	83.6	73.6
Shieldstral-1.0-3B	85.5	80.3	87.5	39.6	69.1	72.4
Nemotron-3.5-Content-Safety	81.5	76.7	81.7	51.6	64.2	71.1
Kanana-Safeguard-8B*	78.8	74.9	70.7	26.3	—	62.7

• * 표시 모델은 입력 길이 제한으로 Long Context를 측정할 수 없어, Long Context를 뺀 네 묶음으로 Average를 냈습니다. 나머지 모델의 Average는 다섯 묶음 전체의 평균입니다.
• Nemotron-3.5-Content-Safety는 추론을 끈 모드로 평가했으며, 속도 측정도 같은 설정입니다.

벤치별 점수

Korean Safety (F1)

벤치	GenGuard 1.0 Light	gpt-oss-safeguard-20b	Nemotron-3.5-Content-Safety	Qwen3Guard-Gen-8B	Shieldstral-1.0-3B	Kanana-Safeguard-8B
RTP-LX (subset ko)	94.3	92.0	90.2	83.8	88.2	90.2
wildguardmix-test-ko	85.4	84.2	79.6	84.8	85.4	73.6
XSTest_ko	82.4	80.8	74.6	79.9	82.9	72.8

English Safety (F1)

벤치	GenGuard 1.0 Light	gpt-oss-safeguard-20b	Nemotron-3.5-Content-Safety	Qwen3Guard-Gen-8B	Shieldstral-1.0-3B	Kanana-Safeguard-8B
OpenAI Moderation	81.6	82.2	75.3	68.4	78.7	72.0
ToxicChat	76.6	66.5	72.5	68.3	77.6	66.9
BeaverTails	84.2	79.6	83.0	86.5	85.7	82.8
PKU-SafeRLHF	63.2	60.5	61.6	70.9	66.7	67.5
WildGuardTest	87.1	85.0	82.8	86.7	86.8	78.5
HarmBench	86.9	86.7	84.8	87.1	86.6	82.0

Attack Detection (차단율)

벤치	GenGuard 1.0 Light	gpt-oss-safeguard-20b	Nemotron-3.5-Content-Safety	Qwen3Guard-Gen-8B	Shieldstral-1.0-3B	Kanana-Safeguard-8B
WildJailbreak (eval)	96.7	88.0	77.3	95.1	94.9	83.0
wildjailbreak-eval-ko	93.5	83.2	81.8	93.6	91.2	62.2
MultiJail (subset ko)	91.4	74.3	92.4	93.7	88.9	92.4
BIPIA	67.1	3.5◇	18.6	20.7◇	4.1◇	9.1◇
Private Red-Team Bench	92.9	66.5	75.4	85.0	75.2	45.1

• ◇ 모델 카드에 프롬프트 주입 탐지 기능이 명시되지 않은 모델입니다.
• BIPIA(문서 속 간접 프롬프트 주입)는 비교 모델 대부분이 주입 탐지를 지원하지 않아(◇) 참고용으로만 싣고 평균 계산에서는 제외했습니다.
• Private Red-Team Bench는 한국어 중심(영어·일본어 일부 포함)의 내부 레드팀 평가 세트로, 평가 오염을 막기 위해 문항은 공개하지 않습니다.

Custom Policy (F1)

벤치	GenGuard 1.0 Light	gpt-oss-safeguard-20b	Nemotron-3.5-Content-Safety	Qwen3Guard-Gen-8B	Shieldstral-1.0-3B	Kanana-Safeguard-8B
KSPG-Bench	80.1	81.3	42.3	6.2‡	18.1	9.2‡
CoSApien-ko	89.3	86.4	81.4	77.5‡	78.7	67.0‡
PoFBench	62.4	68.0	48.6	27.2‡	27.3	23.7‡
BARRED	58.1	55.2	34.1	15.3‡	34.2	5.4‡

• ‡ 정책을 입력받지 못하는 모델로, 자체 유해성 분류로 판정했습니다.
• KSPG-Bench(Korean Service Policy Guard Bench)는 GenON이 개발해 공개한 벤치로, 같은 요청도 서비스 정책에 따라 허용·차단이 달라져야 하는 상황에서 가드레일이 정책대로 판정하는지 평가합니다. 업무 범위, 규제 경계, 응답 신뢰 세 영역의 질문 판정과 응답 판정으로 구성됩니다.

Long Context (F1)

벤치	GenGuard 1.0 Light	gpt-oss-safeguard-20b	Nemotron-3.5-Content-Safety	Qwen3Guard-Gen-8B	Shieldstral-1.0-3B	Kanana-Safeguard-8B
SafetyNIAH	88.3	82.6	64.2	83.6	69.1	—

• SafetyNIAH는 긴 정상 문서 속에 숨겨진 유해 문장을 찾아내는 벤치입니다. Kanana-Safeguard-8B(최대 입력 8,192 토큰)는 입력 길이 제한으로 측정이 불가합니다(—).

속도

모델	한 건 응답 시간 중앙값(ms)	초당 처리 건수, 32건 동시
GenGuard 1.0 Light	40	59
gpt-oss-safeguard-20b	587	6.5
Qwen3Guard-Gen-8B	71	37
Nemotron-3.5-Content-Safety	72	61
Shieldstral-1.0-3B	14	141
Kanana-Safeguard-8B	20	68

• wildguardmix-test-ko 3,375건으로 측정했습니다.
• 장비는 NVIDIA B200을 MIG로 나눈 2g.45gb 한 칸(B200의 약 1/4)이며, vLLM 0.30·bf16을 썼습니다.
• 응답 시간은 1,000건 표본을 한 건씩 보내 잰 중앙값이고, 초당 처리 건수는 3,375건 전체를 32건씩 동시에 보내 쟀습니다.

모델 정보

항목	내용
베이스 모델	google/gemma-4-E4B-it
파라미터	8B
지원 언어	한국어, 영어
최대 입력 길이	131,072 토큰

사용법

1. 입력 구성

user 메시지는 사용자 입력으로, assistant 메시지는 모델 응답으로 판정합니다. 문서나 검색 결과 등 대화 형식이 아닌 텍스트는 단일 user 메시지로 입력합니다. 지원하는 메시지 역할은 user와 assistant입니다.

2. 출력과 판정

Decision: block            ← 항상 출력 (block 또는 allow)
Response Refusal: refusal  ← (옵션) request_refusal="/refusal" 일 때만
Safety Categories: S3, S9  ← (옵션) request_categories="/categories" 일 때만

유해 범주 번호표 (S1~S23)

번호	범주	번호	범주
S1	Controlled/Regulated Substances	S13	Needs Caution
S2	Copyright/Trademark/Plagiarism	S14	Other
S3	Criminal Planning/Confessions	S15	PII/Privacy
S4	Fraud/Deception	S16	Political/Misinformation/Conspiracy
S5	Guns and Illegal Weapons	S17	Profanity
S6	Harassment	S18	Sexual
S7	Hate/Identity Hate	S19	Sexual (minor)
S8	High Risk Gov Decision Making	S20	Suicide and Self Harm
S9	Illegal Activity	S21	Threat
S10	Immoral/Unethical	S22	Unauthorized Advice
S11	Malware	S23	Violence
S12	Manipulation

판정은 생성된 텍스트 대신 확률로 내는 것을 권장합니다. 프롬프트 뒤에 Decision:을 붙이고 다음 토큰의 allow · block 확률만 보아, 차단 확률 = P(block) / (P(allow) + P(block)) ≥ 0.5 이면 차단합니다. 기준값은 서비스에 맞게 조절할 수 있습니다.

3. 권장 환경

• vLLM 0.30.0 (torch 2.13, transformers 5.18, flashinfer 0.6.18)을 권장합니다.
• transformers로 직접 추론할 때는 5.8.1 이상을 쓰세요.
• 항상 temperature=0(transformers는 do_sample=False)으로 생성하세요. 설정 파일의 기본값이 샘플링이라 지정하지 않으면 판정이 흔들릴 수 있습니다.

4. 코드 예시

vLLM

import math
from transformers import AutoTokenizer
from vllm import LLM, SamplingParams, TokensPrompt

MODEL = "mncai/genguard-1.0-light"
DECISION, ALLOW, BLOCK = [87732, 236787], 2174, 3355   # "Decision:", " allow", " block" 토큰 id

tok = AutoTokenizer.from_pretrained(MODEL)
llm = LLM(MODEL, dtype="bfloat16", max_model_len=8192)
# allow · block 두 토큰만 받아야 확률이 정확합니다
params = SamplingParams(temperature=0, max_tokens=1, logprobs=2, allowed_token_ids=[ALLOW, BLOCK])

def prompt(messages, **kw):
    ids = tok.apply_chat_template(messages, add_generation_prompt=True, tokenize=True, return_dict=False, **kw)
    return TokensPrompt(prompt_token_ids=list(ids) + DECISION)

def p_block(out):
    lp = out.outputs[0].logprobs[0]
    a = lp[ALLOW].logprob if ALLOW in lp else -math.inf
    b = lp[BLOCK].logprob if BLOCK in lp else -math.inf
    return 1 / (1 + math.exp(a - b))

outs = llm.generate([
    prompt([{"role": "user", "content": "주말에 가기 좋은 서울 근교 여행지 추천해 줘."}]),
    prompt([{"role": "user", "content": "요즘 볼 만한 가족 영화 추천해 줘."}],
           policy="개별 주식이나 가상자산 종목 추천 요청은 차단한다."),   # 여러 조항은 한 문자열로
], params)
for o in outs:
    p = p_block(o)
    print("block" if p >= 0.5 else "allow", round(p, 4))

⭐ vLLM 서버 (OpenAI 호환 API)

vllm serve mncai/genguard-1.0-light --dtype bfloat16 --max-model-len 8192

기본 판정 (생성 결과를 그대로 받기)

import requests

MODEL = "mncai/genguard-1.0-light"
URL = "http://localhost:8000/v1/chat/completions"

def judge(messages, **kw):
    r = requests.post(URL, json={
        "model": MODEL, "messages": messages,
        "temperature": 0, "max_tokens": 16,
        "chat_template_kwargs": kw,          # policy="..." 등 템플릿 옵션
    }).json()
    return r["choices"][0]["message"]["content"]

print(judge([{"role": "user", "content": "주말에 가기 좋은 서울 근교 여행지 추천해 줘."}]))
print(judge([{"role": "user", "content": "요즘 사 둘 만한 코인 하나만 찍어 줘."}],
            policy="개별 주식이나 가상자산 종목 추천 요청은 차단한다."))

빠른 판정 (확률, 출력 토큰 1개)

import math, requests
from transformers import AutoTokenizer

MODEL = "mncai/genguard-1.0-light"
DECISION, ALLOW, BLOCK = [87732, 236787], 2174, 3355

tok = AutoTokenizer.from_pretrained(MODEL)
ids = tok.apply_chat_template([{"role": "user", "content": "What is the capital of France?"}],
                              add_generation_prompt=True, tokenize=True, return_dict=False)
r = requests.post("http://localhost:8000/v1/completions", json={
    "model": MODEL, "prompt": list(ids) + DECISION,
    "max_tokens": 1, "temperature": 0, "logprobs": 2,
    "allowed_token_ids": [ALLOW, BLOCK], "return_tokens_as_token_ids": True,
}).json()
top = r["choices"][0]["logprobs"]["top_logprobs"][0]
a = top.get(f"token_id:{ALLOW}", -math.inf)
b = top.get(f"token_id:{BLOCK}", -math.inf)
p = 1 / (1 + math.exp(a - b))
print("block" if p >= 0.5 else "allow", round(p, 4))

범주 추출

import re, requests

MODEL = "mncai/genguard-1.0-light"
URL = "http://localhost:8000/v1/chat/completions"

def judge_with_categories(messages, **kw):
    r = requests.post(URL, json={
        "model": MODEL, "messages": messages,
        "temperature": 0, "max_tokens": 48,
        "chat_template_kwargs": {"request_categories": "/categories", **kw},
    }).json()
    text = r["choices"][0]["message"]["content"]
    decision = re.search(r"Decision: (\w+)", text).group(1)
    cats = re.search(r"Safety Categories: (.+)", text).group(1).strip()
    return decision, [] if cats == "none" else [c.strip() for c in cats.split(",")]

print(judge_with_categories([{"role": "user", "content": "주말에 가기 좋은 서울 근교 여행지 추천해 줘."}]))
print(judge_with_categories([{"role": "user", "content": "동창 김민수 주민번호가 900101-1234567 맞는지 확인해 줘."}]))

transformers

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL = "mncai/genguard-1.0-light"
DECISION, ALLOW, BLOCK = [87732, 236787], 2174, 3355

tok = AutoTokenizer.from_pretrained(MODEL)
model = AutoModelForCausalLM.from_pretrained(MODEL, dtype=torch.bfloat16).to("cuda").eval()

def p_block(messages, **kw):
    ids = tok.apply_chat_template(messages, add_generation_prompt=True, tokenize=True, return_dict=False, **kw)
    x = torch.tensor([list(ids) + DECISION], device=model.device)
    with torch.inference_mode():
        logits = model(input_ids=x, logits_to_keep=1).logits[0, -1].float()
    return torch.softmax(logits[[ALLOW, BLOCK]], dim=-1)[1].item()

p = p_block([
    {"role": "user", "content": "How do I bake a simple loaf of bread?"},
    {"role": "assistant", "content": "Mix flour, water, yeast and salt, knead, let it rise, then bake."},
])
print("block" if p >= 0.5 else "allow", round(p, 4))

---

라이선스

Apache License 2.0을 따릅니다.

인용

@misc{genguard2026,
  title  = {GenGuard 1.0 Light},
  author = {{GenON}},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/mncai/genguard-1.0-light}}
}