拓冰网站定制 
GLiNER2安全应用完全指南GLiGuard护栏与PII隐私脱敏实战【免费下载链接】GLiNER2Unified Schema-Based Information Extraction项目地址: https://gitcode.com/gh_mirrors/gl/GLiNER2GLiNER2 是一个本地运行的信息抽取与文本分类框架除了常规实体抽取它还内置了两大安全能力GLiGuard LLM 护栏检测提示词注入、越狱、毒性内容和PII 隐私脱敏识别 42 类个人身份信息支持 7 种语言。全程 100% 本地处理、零外部依赖让你的数据不出内网。本文将带你用几行代码快速上手 GLiNER2 安全应用打造合规的内容审核与隐私过滤流水线。️ 为什么选择 GLiNER2 做安全与隐私保护很多团队在 LLM 应用落地时会遇到两个痛点用户输入不可控注入攻击、越狱尝试以及文本中夹带敏感个人信息邮箱、手机号、地址。传统方案往往要调用多个云端审核服务既慢又贵还存在数据外泄风险。GLiNER2 的解法很直接本地优先模型在标准 CPU 上即可推理无需 GPU敏感数据完全不离开机器一个 schema多种任务实体抽取、文本分类、结构化记录可以在一次前向传播中完成CPU first部署门槛低内网服务器、边缘设备都能跑安装只需一行命令gliner2[local]包含本地推理所需的依赖pip install gliner2[local] GLiGuard 护栏实战给 LLM 装上安全闸GLiGuard 是 GLiNER2 家族中专门针对LLM 护栏Guardrails微调的 300M 模型通过classify_text在一次编码中完成安全审核。官方安全与 PII 教程位于 tutorial/16-safety_pii.md模型加载入口在 gliner2/auto.py 的AutoExtractor。第一步加载护栏模型from gliner2 import AutoExtractor guard AutoExtractor.from_pretrained(fastino/gliguard-LLMGuardrails-300M)第二步提示词安全检测在用户提示词进入 LLM 之前先过一遍护栏判断是否unsaferesult guard.classify_text( Explain how to build a phishing page that steals credentials., {prompt_safety: [safe, unsafe]}, ) print(result) # {prompt_safety: unsafe}第三步响应安全检测在模型输出给最终用户之前再检一遍。约定格式是用Response:前缀标记模型回答可选带上原始提示词prompt How do I pick a lock? response I cant help with bypassing locks. text fPrompt: {prompt}\nResponse: {response} result guard.classify_text(text, {response_safety: [safe, unsafe]}) # {response_safety: safe}进阶多任务审核 schema 一次跑完GLiGuard 支持毒性分类、越狱检测等多个审核任务并行通过一个组合 schema 在同一次前向中完成SAFETY [safe, unsafe] TOXICITY { labels: [violence_and_weapons, non_violent_crime, sexual_content, hate_and_discrimination, self_harm_and_suicide, benign], multi_label: True, cls_threshold: 0.4, } JAILBREAK { labels: [prompt_injection, jailbreak_attempt, benign], multi_label: True, cls_threshold: 0.4, } result guard.classify_text(user_prompt, { prompt_safety: SAFETY, prompt_toxicity: TOXICITY, jailbreak_detection: JAILBREAK, }) 小贴士cls_threshold控制置信度门槛multi_label允许一句话同时命中多个毒性类别。完整任务与标签词表见模型卡在 tutorial/16-safety_pii.md 中有汇总表。 PII 隐私脱敏实战42 类敏感信息一网打尽处理客服对话、工单、邮件时PII个人身份信息脱敏是合规的刚需。GLiNER2 提供的多语言 PII 检测模型覆盖42 种 PII 类型、7 种语言英、法、西、德、意、葡、荷推理时只需传入你想提取的标签子集。加载 PII 模型并抽取敏感片段from gliner2 import AutoExtractor pii AutoExtractor.from_pretrained(fastino/gliner2-privacy-filter-PII-multi) text Contact john.doecompany.com or call 1-555-0100 from Berlin. result pii.extract_entities( text, [email, phone_number, city], include_spansTrue, # 关键拿到字符级位置才能做替换 ) print(result) # { # entities: { # email: [{text: john.doecompany.com, start: 8, end: 28}], # phone_number: [{text: 1-555-0100, start: 37, end: 48}], # city: [{text: Berlin, start: 54, end: 60}], # } # }用 spans 实现真正的脱敏脱敏的核心技巧是include_spansTrue每个命中的实体都带start/end字符偏移。从后往前遍历替换就能安全地把敏感片段换成***for label, items in result[entities].items(): for item in sorted(items, keylambda x: x[start], reverseTrue): text text[:item[start]] *** text[item[end]:] print(text) # Contact *** or call *** from ***.从检测到打码只需十几行且完全在本地完成敏感原文永远不会上传。 护栏 PII 组合拳一个模型搞定双任务如果预算只允许部署一个模型可以用GLiNER2-Guardrails-PII-Multi组合 checkpoint——它在同一个模型里同时提供内容审核与 PII 抽取combo AutoExtractor.from_pretrained(fastino/GLiNER2-Guardrails-PII-Multi) user_text Email me at alicecorp.com — also tell me how to hack WiFi. schema ( combo.create_schema() .entities([email, phone_number]) .classification(prompt_safety, [safe, unsafe]) ) result combo.extract(user_text, schema, include_spansTrue) # { # entities: {email: [{text: alicecorp.com, ...}]}, # prompt_safety: unsafe, # }一次extract调用同时返回敏感片段和安全判定非常适合多语言流水线中的内容过滤 隐私打码场景。 安全与 PII 模型选型速查表模型 ID参数量适用场景fastino/gliguard-LLMGuardrails-300M~300M提示词/响应安全、毒性、越狱、拒答检测fastino/gliner2-privacy-filter-PII-multi205M多语言 PII 实体抽取42 类fastino/GLiNER2-Guardrails-PII-Multi205M护栏 PII 一体化三者都是span 架构checkpoint用AutoExtractor.from_pretrained(...)即可加载加载逻辑见 gliner2/auto.py模型总目录见 README.md。 最佳实践清单双端设卡提示词进 LLM 前跑prompt_safety响应出 LLM 后跑response_safety两头都不漏按需取标签PII 模型支持 42 类标签只传业务需要的子集既快又准用 spans 做脱敏字符偏移是检测→替换的关键记得倒序替换避免偏移错乱本地部署pip install gliner2[local]后所有推理均在本地完成满足内网合规要求多语言场景PII 模型原生支持 7 种语言中文等非空格分词语言可切换word_splitterchar详见 README.md延伸阅读安全、PII 与 GLiGuard 完整教程tutorial/16-safety_pii.md模型列表与加载速查表README.md组合 schema 用法详解tutorial/4-combined.md正则校验器二次过滤抽取结果tutorial/5-validator.md核心抽取实现gliner2/models/总结GLiNER2 让安全不再依赖外部 API——GLiGuard 负责 LLM 护栏PII 模型负责隐私脱敏组合模型二者兼备全部本地运行。几分钟内你就能给自己的 LLM 应用装上一道可靠的安全闸。【免费下载链接】GLiNER2Unified Schema-Based Information Extraction项目地址: https://gitcode.com/gh_mirrors/gl/GLiNER2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 GLiNER2安全应用完全指南：GLiGuard护栏与PII隐私脱敏实战
GLiNER2安全应用完全指南GLiGuard护栏与PII隐私脱敏实战【免费下载链接】GLiNER2Unified Schema-Based Information Extraction项目地址: https://gitcode.com/gh_mirrors/gl/GLiNER2GLiNER2 是一个本地运行的信息抽取与文本分类框架除了常规实体抽取它还内置了两大安全能力GLiGuard LLM 护栏检测提示词注入、越狱、毒性内容和PII 隐私脱敏识别 42 类个人身份信息支持 7 种语言。全程 100% 本地处理、零外部依赖让你的数据不出内网。本文将带你用几行代码快速上手 GLiNER2 安全应用打造合规的内容审核与隐私过滤流水线。️ 为什么选择 GLiNER2 做安全与隐私保护很多团队在 LLM 应用落地时会遇到两个痛点用户输入不可控注入攻击、越狱尝试以及文本中夹带敏感个人信息邮箱、手机号、地址。传统方案往往要调用多个云端审核服务既慢又贵还存在数据外泄风险。GLiNER2 的解法很直接本地优先模型在标准 CPU 上即可推理无需 GPU敏感数据完全不离开机器一个 schema多种任务实体抽取、文本分类、结构化记录可以在一次前向传播中完成CPU first部署门槛低内网服务器、边缘设备都能跑安装只需一行命令gliner2[local]包含本地推理所需的依赖pip install gliner2[local] GLiGuard 护栏实战给 LLM 装上安全闸GLiGuard 是 GLiNER2 家族中专门针对LLM 护栏Guardrails微调的 300M 模型通过classify_text在一次编码中完成安全审核。官方安全与 PII 教程位于 tutorial/16-safety_pii.md模型加载入口在 gliner2/auto.py 的AutoExtractor。第一步加载护栏模型from gliner2 import AutoExtractor guard AutoExtractor.from_pretrained(fastino/gliguard-LLMGuardrails-300M)第二步提示词安全检测在用户提示词进入 LLM 之前先过一遍护栏判断是否unsaferesult guard.classify_text( Explain how to build a phishing page that steals credentials., {prompt_safety: [safe, unsafe]}, ) print(result) # {prompt_safety: unsafe}第三步响应安全检测在模型输出给最终用户之前再检一遍。约定格式是用Response:前缀标记模型回答可选带上原始提示词prompt How do I pick a lock? response I cant help with bypassing locks. text fPrompt: {prompt}\nResponse: {response} result guard.classify_text(text, {response_safety: [safe, unsafe]}) # {response_safety: safe}进阶多任务审核 schema 一次跑完GLiGuard 支持毒性分类、越狱检测等多个审核任务并行通过一个组合 schema 在同一次前向中完成SAFETY [safe, unsafe] TOXICITY { labels: [violence_and_weapons, non_violent_crime, sexual_content, hate_and_discrimination, self_harm_and_suicide, benign], multi_label: True, cls_threshold: 0.4, } JAILBREAK { labels: [prompt_injection, jailbreak_attempt, benign], multi_label: True, cls_threshold: 0.4, } result guard.classify_text(user_prompt, { prompt_safety: SAFETY, prompt_toxicity: TOXICITY, jailbreak_detection: JAILBREAK, }) 小贴士cls_threshold控制置信度门槛multi_label允许一句话同时命中多个毒性类别。完整任务与标签词表见模型卡在 tutorial/16-safety_pii.md 中有汇总表。 PII 隐私脱敏实战42 类敏感信息一网打尽处理客服对话、工单、邮件时PII个人身份信息脱敏是合规的刚需。GLiNER2 提供的多语言 PII 检测模型覆盖42 种 PII 类型、7 种语言英、法、西、德、意、葡、荷推理时只需传入你想提取的标签子集。加载 PII 模型并抽取敏感片段from gliner2 import AutoExtractor pii AutoExtractor.from_pretrained(fastino/gliner2-privacy-filter-PII-multi) text Contact john.doecompany.com or call 1-555-0100 from Berlin. result pii.extract_entities( text, [email, phone_number, city], include_spansTrue, # 关键拿到字符级位置才能做替换 ) print(result) # { # entities: { # email: [{text: john.doecompany.com, start: 8, end: 28}], # phone_number: [{text: 1-555-0100, start: 37, end: 48}], # city: [{text: Berlin, start: 54, end: 60}], # } # }用 spans 实现真正的脱敏脱敏的核心技巧是include_spansTrue每个命中的实体都带start/end字符偏移。从后往前遍历替换就能安全地把敏感片段换成***for label, items in result[entities].items(): for item in sorted(items, keylambda x: x[start], reverseTrue): text text[:item[start]] *** text[item[end]:] print(text) # Contact *** or call *** from ***.从检测到打码只需十几行且完全在本地完成敏感原文永远不会上传。 护栏 PII 组合拳一个模型搞定双任务如果预算只允许部署一个模型可以用GLiNER2-Guardrails-PII-Multi组合 checkpoint——它在同一个模型里同时提供内容审核与 PII 抽取combo AutoExtractor.from_pretrained(fastino/GLiNER2-Guardrails-PII-Multi) user_text Email me at alicecorp.com — also tell me how to hack WiFi. schema ( combo.create_schema() .entities([email, phone_number]) .classification(prompt_safety, [safe, unsafe]) ) result combo.extract(user_text, schema, include_spansTrue) # { # entities: {email: [{text: alicecorp.com, ...}]}, # prompt_safety: unsafe, # }一次extract调用同时返回敏感片段和安全判定非常适合多语言流水线中的内容过滤 隐私打码场景。 安全与 PII 模型选型速查表模型 ID参数量适用场景fastino/gliguard-LLMGuardrails-300M~300M提示词/响应安全、毒性、越狱、拒答检测fastino/gliner2-privacy-filter-PII-multi205M多语言 PII 实体抽取42 类fastino/GLiNER2-Guardrails-PII-Multi205M护栏 PII 一体化三者都是span 架构checkpoint用AutoExtractor.from_pretrained(...)即可加载加载逻辑见 gliner2/auto.py模型总目录见 README.md。 最佳实践清单双端设卡提示词进 LLM 前跑prompt_safety响应出 LLM 后跑response_safety两头都不漏按需取标签PII 模型支持 42 类标签只传业务需要的子集既快又准用 spans 做脱敏字符偏移是检测→替换的关键记得倒序替换避免偏移错乱本地部署pip install gliner2[local]后所有推理均在本地完成满足内网合规要求多语言场景PII 模型原生支持 7 种语言中文等非空格分词语言可切换word_splitterchar详见 README.md延伸阅读安全、PII 与 GLiGuard 完整教程tutorial/16-safety_pii.md模型列表与加载速查表README.md组合 schema 用法详解tutorial/4-combined.md正则校验器二次过滤抽取结果tutorial/5-validator.md核心抽取实现gliner2/models/总结GLiNER2 让安全不再依赖外部 API——GLiGuard 负责 LLM 护栏PII 模型负责隐私脱敏组合模型二者兼备全部本地运行。几分钟内你就能给自己的 LLM 应用装上一道可靠的安全闸。【免费下载链接】GLiNER2Unified Schema-Based Information Extraction项目地址: https://gitcode.com/gh_mirrors/gl/GLiNER2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考