Mistral 發布 Shieldstral 1.0-3B：安全政策用白話問句寫，改規則不必重訓模型

Mistral AI 於 2026 年 8 月 4 日在官方 news 頁發布 Shieldstral 1.0-3B，一個 30 億參數的開放權重多模態安全分類器，採 Apache 2.0 授權，權重放在 Hugging Face（mistralai/Shieldstral-1.0-3B），單張 16GB NVIDIA GPU 即可執行。它的工作是判斷一段文字或一張圖片是否違反規範，並回傳一個校準過的安全分數。

最大突破：政策用自然語言問句寫

傳統 guardrail 模型是把固定的危害分類在訓練時就寫死在模型裡，要新增或修改一條規則，往往得重新訓練一次。Shieldstral 改成讓開發者在推論當下用自然語言問句寫政策，模型依照當下給定的問句作答，完全不需重訓。

架構是二元問答三段式：

• instruction：說明這次評估的情境
• query：一句是非問句，也就是政策本身
• document：待判斷的內容

單次前向傳播由 yes／no 的 logits 產生分數，判決可壓縮成單一 token，因此結果毫不含糊；文字與圖片共用同一個介面。

規格與數據：3B 對上七倍體積

底座為 Ministral-3-3B-Base-2512，搭配 Pixtral 視覺編碼器，訓練上下文 32k，訓練資料為 5410 萬組對比配對（用來區分內容相似、但一個合規一個違規的案例），涵蓋 12 種語言。官方以十個開放 guard 基線（含 GPT-OSS-Safeguard-20B、OmniGuard-7B）做對比：文字安全平均 F1 84.9%、多模態安全平均 F1 83.8%、政策適應性 F1 91.3%，官方稱可匹敵體積達其七倍的模型。由於是開放權重、企業自行部署，官方未公布定價。

官方自陳的侷限

Mistral 少見地把弱點寫在自家公告裡：語言涵蓋不均，阿拉伯文、印尼文表現落後部分基線；未來工作方向是多語涵蓋、長文件穩健性與更廣的多模態安全。換句話說，benchmark 的平均分數並不等於每個語言都一樣好。

對管理者的意義

政策免重訓這條路並非 Shieldstral 首創，GPT-OSS-Safeguard 等開放權重 guard 模型已有前例；Shieldstral 的意義在於把「什麼算違規」寫成自己的白話規則、在自家 16GB GPU 上跑的門檻，壓到前所未有的低。在自行部署下，待判內容完全不出公司網路，內容審查與資料治理的主導權便從外部 API 供應商回到企業手上；法規或公司規範一變，當天改一句問句就生效，不必等供應商更新模型。但要誠實提醒：3B 的小模型仍會誤判，官方自己承認非英語表現不均，泰國企業若要用在泰文貼文、客服對話或直播留言上，務必先用自家真實資料抽樣實測，不能照單全收 benchmark 數字。