Mistral 发布 Shieldstral 1.0-3B：安全策略用大白话问句写，改规则不必重训模型

Mistral AI 于 2026 年 8 月 4 日在官方 news 页发布 Shieldstral 1.0-3B，一个 30 亿参数的开放权重多模态安全分类器，采用 Apache 2.0 许可，权重放在 Hugging Face（mistralai/Shieldstral-1.0-3B），单张 16GB NVIDIA 显卡即可运行。它的工作是判断一段文字或一张图片是否违反规范，并返回一个经过校准的安全分数。

最大突破：策略用自然语言问句写

传统 guardrail 模型是把固定的危害分类在训练时就固化进模型里，要新增或修改一条规则，往往得重新训练一次。Shieldstral 改成让开发者在推理当下用自然语言问句写策略，模型依照当下给定的问句作答，完全不需要重训。

架构是二元问答三段式：

• instruction：说明本次评估的情境
• query：一句是非问句，也就是策略本身
• document：待判断的内容

单次前向传播由 yes／no 的 logits 产生分数，判决可压缩成单个 token，因此结果毫不含糊；文本与图片共用同一个接口。

规格与数据：3B 对上七倍体量

底座为 Ministral-3-3B-Base-2512，搭配 Pixtral 视觉编码器，训练上下文 32k，训练数据为 5410 万组对比配对（用来区分内容相似、但一个合规一个违规的案例），覆盖 12 种语言。官方以十个开放 guard 基线（含 GPT-OSS-Safeguard-20B、OmniGuard-7B）做对比：文本安全平均 F1 84.9%、多模态安全平均 F1 83.8%、策略适应性 F1 91.3%，官方称可匹敌体量达其七倍的模型。由于是开放权重、企业自行部署，官方未公布定价。

官方自陈的局限

Mistral 少见地把弱点写在自家公告里：语言覆盖不均衡，阿拉伯文、印尼文表现落后部分基线；未来工作方向是多语言覆盖、长文档稳健性与更广的多模态安全。换句话说，benchmark 的平均分数并不等于每种语言都一样好。

对管理者的意义

策略免重训这条路并非 Shieldstral 首创，GPT-OSS-Safeguard 等开放权重 guard 模型已有先例；Shieldstral 的意义在于把“什么算违规”写成自己的大白话规则、在自家 16GB 显卡上跑的门槛，压到前所未有的低。在自行部署的前提下，待判内容完全不出公司网络，内容审核与数据治理的主导权便从外部 API 供应商回到企业手上；法规或公司规范一变，当天改一句问句就生效，不必等供应商更新模型。但要诚实提醒：3B 的小模型仍会误判，官方自己承认非英语表现不均衡，泰国企业若要用在泰文贴文、客服对话或直播留言上，务必先用自家真实数据抽样实测，不能照单全收 benchmark 数字。