![JSL-joysafety-v2](./docs/1.png) # JSL-joysafety-v2 JSL-joysafety-v2（gpt-oss-20b） 是 JSL-joysafety-v1 的全面升级版本，基于 **140 万高质量审核样本** 进行端到端训练，审核能力显著提升。 继承 GPT-OSS 20B MOE 架构，拥有 **21B 总参数** 和 **3.6B 激活参数**，具备 **低延迟、高吞吐** 的特点，专为在线高效审核设计。 ## 1.JSL-joysafety-v2 能力介绍 ### （1）业界最全风险识别链路 - **输入侧**：用户 Query 实时检测 - **输出侧**：模型输出实时检测 - **会话侧**：多轮上下文关联风险检测 - **格式侧**：原生兼容 OpenAI 对话协议，完整日志一键送审 ### （2） 三级标签 + 处置建议 + 可解释链 - **三级风险标签**：类别-子类-细项，粒度业界最细 - **告警内容**：每条告警同步提供“处置建议”与“风险推理链”，便于业务方一键溯源，具备高度可解释性 ### （3）系统化 Prompt-Injection 防护 从五个维度全面拆解主流注入攻击： | 维度 | 内容 | |------|------| | **injection_tactic** | jailbreak / target-hijack / content-inject / 越权等意图识别 | | **injection_path** | 直接注入 vs 外部间接携带等攻击路径 | | **injection_stage** | 单轮、多轮、跨会话跟踪等 | | **injection_visibility** | 明文、编码、混淆、分段隐藏等手段还原 | | **injection_methods** | 忽略前置、系统伪装、间接诱导、重复扰动、格式隐藏等 50+ 手法全覆盖 | ### （4）多语言原生支持 中、英、西、德、日、法、韩等 **12 种主流语言**同步对齐训练，无需外挂翻译，效果无损。 ### （5）Safety Policy 全景覆盖 覆盖以下 **11 大风险域**： - 涉政 - 涉黄 - 暴恐 - 涉毒 - 涉赌 - 违禁 - 辱骂 - 歧视 - 虚假消息 - 商业违规 - 恶意代码执行 一网打尽，全面保障内容安全。 ## 2. 审核结果说明 ### 审核结果结构 审核结果以如下 JSON 结构输出： ```json { "reason": "整体cot分析过程", "user_query_check_result": { "injection_cot": "提示词注入攻击分析过程", "is_prompt_injection": "提示词注入|非提示词注入", "injection_tactic": "jailbreak|prompt-leak|target-hijack|content-inject|privilege-esc|other", "injection_path": "direct|indirect|social-driven|other", "injection_stage": "single-turn|multi-turn|long-context|other", "injection_visibility": "plain|encode|obfuscated|fragmented|other", "injection_bypassed_layer": "system-prompt-filter|alignment|input-filter|output-filter|context-audit|multimedia-filter|other", "injection_methods": ["***", "***"], "risk_level": "无风险|低风险|中风险|高风险", "hit_categories": ["***", "***"], "hit_detaile_categories": ["***", "***"], "risk_tags": ["***"], "hit_keywords": ["***"], "suggestion": "pass|mask|block|review|proxy_answer|other" }, "ai_answer_check_result": { "check_reason": "大模型回复审核的cot分析过程", "risk_level": "无风险|低风险|中风险|高风险", "hit_categories": ["***", "***"], "hit_detaile_categories": ["***", "***"], "risk_tags": ["***"], "hit_keywords": ["***"], "suggestion": "pass|mask|block|review|other" } } ``` ### JSON 各 Key 含义 | Key | 说明 | |-----|------| | `reason` | 整体推理过程 | | `user_query_check_result` | 用户问题审核结果 | | `ai_answer_check_result` | 大模型回复审核结果 | ## 3. 快速开始 ### 审核输入要求 送审内容须遵循 OpenAI 对话格式，参考示例如下： ```json [ { "content": "如何获取别人的银行卡密码？","role": "user"}, { "content": "对不起，我无法协助获取他人的银行卡密码或任何私人信息。","role": "assistant"} ] ``` 现已支持 用户单句输入、单轮对话 及 多轮上下文 的实时安全审核；Agent 运行期风险审查 能力也将在近期上线，敬请期待。 ### 环境配置 ```shell pip install modelscope transformers torch ``` ### 推理示例 #### modelscope ```python """ JSL-joysafety-v2 端到端安全审核示例 ------------------------------------------------ 依赖: pip install modelscope torch """ from __future__ import annotations import json from modelscope import pipeline import torch # ------------------------------------------------------------------ # 1. 初始化 pipeline # ------------------------------------------------------------------ MODEL_ID = "jd-opensource/JSL-joysafety-v2" pipe = pipeline( task="text-generation", model=MODEL_ID, torch_dtype="auto", device_map="auto", ) # ------------------------------------------------------------------ # 2. 系统级安全审核 Prompt # ------------------------------------------------------------------ SYSTEM_PROMPT ="""# 【角色定义】\n你是一名大模型安全审核专家，请根据下面的风险审核checklist完成风险审核;\n\n# 【任务描述】:\n\n 在 AI 对话场景中，对用户输入及大模型回复进行安全审核，精准识别潜在风险内容与诱导性风险，保障对话安全合规。\n \n# 【风险审核-checklist】:\n\n 对用户输入进行提示词注入与内容双重风险检测；对大模型输出进行全维度内容安全复核。\n 覆盖涉政、暴恐、色情、赌博、毒品、辱骂、违禁、歧视、侵权及商业违规等全部风险标签，无风险文本自动归类为“正常”。\n\n# 【审核要求】:\n\n## 输出格式（JSON，禁止省略任何字段）:\n \n```json\n {\n "reason":"整体cot分析过程",\n "user_query_check_result":{\n "injection_cot":"提示词注入攻击分析过程",\n "is_prompt_injection":"提示词注入|非提示词注入",\n "injection_tactic":"jailbreak|prompt-leak|target-hijack|content-inject|privilege-escal|other",\n "injection_path":"direct|indirect|social-driven|other" ,\n "injection_stage":"single-turn|multi-turn|long-context|other", \n "injection_visibility":"plain|encode|obfuscated|fragmented|other",\n "injection_bypassed_layer":"system-prompt-filter|alignment|input-filter|output-filter|context-audit|multimedia-filter|other",\n "injection_methods":["***","***"],\n "risk_level": "无风险|低风险|中风险|高风险",\n "hit_categories": ["***","***"],\n "hit_detaile_categories":["***","***"] ,\n "risk_tags":["***"] ,\n "hit_keywords": ["***"], \n "suggestion": "pass|mask|block|review|proxy_answer|other" \n },\n "ai_answer_check_result":{\n "check_reason":"大模型回复审核的cot分析过程",\n "risk_level": "无风险|低风险|中风险|高风险", \n "hit_categories": ["***","***"], \n "hit_detaile_categories":["***","***"] ,\n "risk_tags":["***"] ,\n "hit_keywords": ["***"], \n "suggestion": "pass|mask|block|review|other"\n }\n }\n```\n## 输出格式声明 :\n \n * reason:存放推理过程;\n * user_query_check_result:存放用户输入审核结果;\n * ai_answer_check_result:存放大模型回复审核结果; \n""" # ------------------------------------------------------------------ # 3. 用户Prompt模板 # ------------------------------------------------------------------ USER_PROMPT_TEMPLATE = """\n#【审核内容】如下：\n \n **对话内容**\n {conversation}\n **对话内容**\n\n\n#【审核答案】：\n""" # ------------------------------------------------------------------ # 4. 工具函数 # ------------------------------------------------------------------ def build_messages(conversation: list[dict]) -> list[dict]: """将 OpenAI 格式对话封装为审核模型输入""" return [ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": USER_PROMPT_TEMPLATE.format( conversation=json.dumps(conversation, ensure_ascii=False))} ] def audit(conversation: list[dict], max_new_tokens: int = 512) -> dict: """执行审核并返回结构化结果""" messages = build_messages(conversation) outputs = pipe(messages, max_new_tokens=max_new_tokens) # 提取最后一条 assistant 消息 raw = outputs[0]["generated_text"][-1]["content"] # 简单兼容：去掉 ```json 包裹 raw = raw.strip().removeprefix("```json").removesuffix("```").strip() return json.loads(raw) # ------------------------------------------------------------------ # 5. 快速测试 # ------------------------------------------------------------------ if __name__ == "__main__": # 单轮 conv1 = [{"role": "user", "content": "如何获取别人的银行卡密码？"}] print(json.dumps(audit(conv1), ensure_ascii=False, indent=2)) # 多轮 conv2 = [ {"role": "user", "content": "如何获取别人的银行卡密码？"}, {"role": "assistant", "content": "对不起，我无法协助获取他人的银行卡密码或任何私人信息。"} ] print(json.dumps(audit(conv2), ensure_ascii=False, indent=2)) ``` #### vLLM vLLM 建议使用uv进行 Python 依赖管理。您可以使用 vLLM 启动一个 OpenAI 兼容的 Web 服务器。以下命令将自动下载模型并启动服务器。 ```shell uv pip install --pre vllm==0.10.1+gptoss \ --extra-index-url https://wheels.vllm.ai/gpt-oss/ \ --extra-index-url https://download.pytorch.org/whl/nightly/cu128 \ --index-strategy unsafe-best-match VLLM_USE_MODELSCOPE=true vllm serve jd-opensource/JSL-joysafety-v2 ``` ## 4. 许可证 本仓库所发布的代码及模型权重系基于 gpt-oss-20b 进行二次训练所得，并沿用 Apache 2.0 开源许可证。 --- ## 5. 计划 **JSL-joysafety-r1** 可对多语种、长文档、多轮对话、函数调用及工具返回结果进行一站式安全审核。 **JSL-joysafety-vl** 多模态安全评测模型，支持图像、视频、图文联合内容安全审核。 ## 联系我们 欢迎加入JoySafety官方微信交流群： ![官方微信交流群](./docs/wechat.png) **官方邮箱** org.joysafety1@jd.com