Llama Guard 4

Llama Guard 4 là gì và do ai phát triển

Llama Guard 4 là mô hình kiểm duyệt an toàn đến từ Meta. Đây không phải là chatbot để bạn trò chuyện trực tiếp. Thay vào đó, các nhà phát triển đặt nó song song với mô hình chat để kiểm tra dữ liệu đầu vào và đầu ra. Dựa trên câu lệnh của người dùng hoặc phản hồi của mô hình, Llama Guard 4 sẽ đưa ra kết luận ngắn gọn: "safe" (an toàn), hoặc "unsafe" (không an toàn) kèm theo các danh mục rủi ro phát hiện được. Mô hình này hoạt động hiệu quả với cả văn bản lẫn hình ảnh, bao gồm cả các câu lệnh chứa nhiều hình ảnh cùng lúc.

Theo model card từ Meta, Llama Guard 4 sở hữu 12 tỷ tham số và kiến trúc dense. Meta xây dựng mô hình này bằng cách lấy checkpoint tiền huấn luyện của Llama 4 Scout, loại bỏ các routed expert để chỉ giữ lại shared expert, sau đó tinh chỉnh (fine-tune) cho tác vụ phân loại mức độ an toàn. Mô hình dùng chung bộ tokenizer và vision encoder với Llama 4 Scout và Maverick, đồng thời có thể chạy mượt mà trên một GPU đơn lẻ. Llama Guard 4 đã có mặt trên OpenRouter vào ngày 30 tháng 4 năm 2025, chỉ vài tuần sau khi Llama 4 ra mắt, và được phát hành theo Giấy phép Cộng đồng Llama 4.

Dòng mô hình Llama Guard

Meta đã phát hành nhiều phiên bản Llama Guard song hành cùng các đợt ra mắt Llama. Llama Guard 4 hợp nhất hai mô hình riêng biệt trước đây — Llama Guard 3 8B cho văn bản và Llama Guard 3 11B Vision cho hình ảnh — thành một bộ phân loại duy nhất. Meta cũng kết hợp nó với các công cụ an toàn nguồn mở khác; chẳng hạn, model card gợi ý sử dụng Llama Prompt Guard 2 để phát hiện các cuộc tấn công câu lệnh như hành vi bẻ khóa (jailbreak).

Phạm vi kiểm tra: các danh mục rủi ro

Llama Guard 4 được huấn luyện dựa trên hệ thống phân loại rủi ro của MLCommons, cộng thêm một danh mục bổ sung cho việc sử dụng công cụ (tool use). Khi đánh dấu nội dung không an toàn, mô hình sẽ chỉ rõ các danh mục tương ứng:

"Lời khuyên chuyên môn" bao gồm các phản hồi đưa ra lời khuyên chuyên sâu về tài chính, y tế hoặc pháp lý, hoặc khẳng định các hoạt động/đồ vật nguy hiểm là an toàn.

Thế mạnh của Llama Guard 4

• Lọc dữ liệu đầu vào. Kiểm tra câu lệnh của người dùng trước khi mô hình chính tiếp nhận, giúp chặn đứng sớm các yêu cầu độc hại rõ ràng.
• Lọc dữ liệu đầu ra. Kiểm tra câu trả lời của mô hình chính trước khi hiển thị, giúp mô hình có cơ hội phản hồi an toàn và chỉ bị chặn nếu câu trả lời thực sự nguy hại.
• Xử lý hình ảnh. Phân loại các câu lệnh kết hợp cả văn bản và một hoặc nhiều hình ảnh — điều mà các bộ lọc văn bản thuần túy trước đây không làm được.
• Đa ngôn ngữ. Mô hình hỗ trợ tiếng Anh cùng các ngôn ngữ từ Llama Guard 3, được Meta liệt kê gồm tiếng Pháp, Đức, Hindi, Ý, Bồ Đào Nha, Tây Ban Nha và Thái Lan.

Meta lưu ý rằng việc kết hợp lọc cả đầu vào lẫn đầu ra sẽ tăng cường độ bảo mật, và các thử nghiệm nội bộ cho thấy việc lọc đầu vào làm tăng tỷ lệ từ chối phản hồi nhiều hơn so với lọc đầu ra.

Các hạn chế cần lưu ý

• Đây là mô hình AI, không phải bộ quy tắc cứng. Nó vẫn có thể bỏ sót nội dung độc hại hoặc gắn cờ nhầm nội dung vô hại. Model card của Meta lưu ý rằng hiệu suất có thể bị giới hạn bởi dữ liệu huấn luyện trong các lĩnh vực đòi hỏi suy luận thông thường hoặc ngôn ngữ đặc thù.
• Không thể xác minh tính xác thực. Các danh mục như phỉ báng, sở hữu trí tuệ và bầu cử thường cần dữ liệu thực tế cập nhật theo thời gian thực để đánh giá chính xác; Meta khuyến nghị nên dùng các hệ thống phức tạp hơn cho những trường hợp nhạy cảm này.
• Tấn công câu lệnh. Là một mô hình ngôn ngữ, nó vẫn có nguy cơ bị đánh lừa bởi các cuộc tấn công đối kháng hoặc chèn câu lệnh (prompt injection).
• Số lượng ảnh lớn. Mô hình chủ yếu được thử nghiệm với các câu lệnh chứa một vài hình ảnh, nên độ chính xác có thể thay đổi nếu xử lý cùng lúc quá nhiều ảnh.

Cách tải Llama Guard 4 chính thức

Trọng số mô hình hiện có trên Hugging Face dưới tên meta-llama/Llama-Guard-4-12B, nơi model card của Meta cũng cung cấp mã mẫu cho thư viện Transformers. Bạn chỉ cần chấp nhận điều khoản giấy phép trên trang mô hình để mở khóa tải tệp. OpenRouter hiện niêm yết mô hình với ngữ cảnh 163.840 token, mức giá $0,18 cho mỗi triệu token đầu vào và $0,18 cho mỗi triệu token đầu ra (giá niêm yết trên OpenRouter, tháng 10 năm 2026).

Là một thành viên của dòng Llama 4, mô hình tuân theo Giấy phép Cộng đồng Llama 4 và chính sách sử dụng chấp nhận được, bao gồm quy định ghi nhận "Built with Llama" cho các sản phẩm ứng dụng và các điều khoản riêng cho mô hình đa phương thức tại EU. Hãy xem trang giấy phép của chúng tôi để nắm bản tóm tắt dễ hiểu, và hướng dẫn API để biết cách gọi các mô hình Llama bằng mã nguồn.

Lưu ý về quyền riêng tư

Mô hình phân loại an toàn sẽ đọc mọi tin nhắn mà nó kiểm tra, vì vậy hãy quản lý nó như bất kỳ thành phần nào khác trong quy trình AI của bạn: nếu bạn gọi qua nhà cung cấp đám mây, các điều khoản quyền riêng tư của đơn vị đó sẽ được áp dụng; nếu bạn tự host, dữ liệu sẽ nằm trọn vẹn trên máy chủ của bạn. Hướng dẫn của chúng tôi về quyền riêng tư và an toàn AI sẽ giúp bạn xây dựng các thói quen sử dụng an toàn.

So sánh Llama Guard 4 với các lựa chọn khác

So với Llama Guard 3, Meta cho biết phiên bản 4 đạt hiệu suất tương đương hoặc vượt trội hơn các mô hình văn bản và thị giác trước đây, trong khi chỉ cần duy trì một mô hình duy nhất thay vì hai. So với các mô hình chat như Llama 4 Scout, nó nhỏ hơn nhiều và chỉ thực hiện tác vụ phân loại; nó không thể viết câu trả lời. Nếu bạn đang xây dựng ứng dụng dựa trên các mô hình mở, một mô hình kiểm duyệt như thế này là lớp bảo vệ thiết yếu, kết hợp cùng các quy định rõ ràng cho người dùng, giới hạn tần suất gửi yêu cầu (rate limit) và sự kiểm duyệt của con người.

Câu hỏi thường gặp

Tôi có thể chat với Llama Guard 4 trên Llama.Online không?

Không, Llama Guard 4 không có trong giao diện chat của chúng tôi. Đây là mô hình phân loại dành cho nhà phát triển, không phải mô hình hội thoại.

Llama Guard 4 trả về kết quả gì?

Một văn bản ngắn gọn: "safe", hoặc "unsafe" kèm theo các mã danh mục vi phạm như S9 cho vũ khí hủy diệt hàng loạt.

Mô hình có hoạt động với hình ảnh không?

Có. Mô hình có thể phân loại các câu lệnh kết hợp văn bản cùng một hoặc nhiều hình ảnh.

Llama Guard 4 có miễn phí không?

Trọng số mô hình được tải về miễn phí theo Giấy phép Cộng đồng Llama 4. Các dịch vụ API lưu trữ đám mây sẽ tính phí dựa trên số lượng token sử dụng.