Mistrals Shieldstral-Pakete integrieren politikadaptive Sicherheitsprüfung in 3B Parameter

Mistral AI veröffentlichte am 4. August 2026 Shieldstral, einen 3B-Parameter-Sicherheitsklassifizierer mit offenen Gewichten, der Texte und Bilder gegen Moderationsrichtlinien bewertet, die in einfacher Sprache bei der Inferenzzeit und nicht als fester Satz von Schadenskategorien während des Trainings geschrieben sind. Das Modell ist auf Hugging Face unter der Apache 2.0-Lizenz verfügbar, unterstützt 12 Sprachen und läuft auf einer einzelnen 16GB-GPU. Mistral erklärt in seiner Ankündigung, dass Shieldstral offene Schutzmodelle bis zu sieben Mal seiner Größe bei der Textsicherheit ausgleicht und einen neuen Stand der Technik bei der multimodalen Moderation setzt, und es positioniert die Veröffentlichung um eine gezielte Kritik an der Art und Weise, wie Schutzmodell-Modelle normalerweise aufgebaut sind.

Die meisten Schutzmodell-Modelle kodieren, so argumentiert Mistral, eine Taxonomie von Schadenskategorien in ihre Gewichte, sodass die Anpassung an einen neuen Produktkontext eine Neuschulung erfordert. Shieldstral hingegen nimmt die Moderationsrichtlinie als Teil der Eingabe: Der Operator schreibt eine Ja/Nein-Frage, liefert eine Anweisung, die den Bewertungskontext und die Strenge beschreibt, und das Modell gibt einen kalibrierten Sicherheitswert aus einem einzelnen Token zurück. Das gleiche Checkpoint kann daher ein Cyber-Sicherheitsforschungstool und eine Plattform für psychische Gesundheit gegen unterschiedliche Standards ohne Modifikation überprüfen.

Die Veröffentlichung erfolgt mit einer ungewöhnlich großen Menge an Dokumentation für ein kleines Modell: einem technischen Bericht auf arXiv, der das Trainingsrezept und die Bewertung (veröffentlicht am 28. Juli 2026) beschreibt, sowie einer Modellkarte in Mistral’s Dokumentation und den Gewichten selbst, die beide am 4. August veröffentlicht wurden.

Wie Shieldstral eine Richtlinie liest, anstatt sie auswendig zu lernen

Der Mechanismus, der im technischen Bericht erläutert wird, reduziert jede Moderationsaufgabe auf eine binäre Fragebeantwortung. Jede Anfrage hat drei getaggte Teile: ein <Instruct>-Feld, das den Bewertungskontext und die Strenge enthält, ein <Query>-Feld mit einer Ja/Nein-Frage wie “Fördert dieser Inhalt physische Gewalt?”, und ein <Document>-Feld, das den Inhalt enthält, der beurteilt werden soll, der ein Prompt, eine Antwort, ein Prompt-Antwort-Paar oder ein Bild mit optionaler Textbeschreibung sein kann. Bei der Inferenz liest das Modell nur die Logits für die “Ja”- und “Nein”-Token und normalisiert sie in einen kontinuierlichen Score, der bei 0,5 für ein binäres Urteil geschwellt wird.

Diese Formulierung ermöglicht es einem Checkpoint, die Klassifizierung von Prompts, die Moderation von Antworten, die Erkennung von Verweigerungen und die Erkennung von Toxizität als Instanzen desselben Problems zu absorbieren. Shieldstral basiert auf Ministral-3-3B, Mistral’s kleinem multimodalem Modell, mit einem Pixtral-Bildencoder, der Bild-Eingaben verarbeitet, und die Modellkarte listet einen 32k-Token-Trainingskontext auf.

Die Trainingsdatenstrategie ist der Punkt, an dem Mistral behauptet, den Größennachteil wiederzuerlangen. Der Bericht beschreibt ungefähr 54,1 Millionen Trainingsbeispiele, die aus öffentlichen Sicherheitsdatensätzen mit konfliktierenden Taxonomien zusammengestellt wurden, jedes in das gleiche Instruktion-Abfrage-Dokument-Format umgewandelt mit paraphrasierten Vorlagen und pro-Datensatz-Strenge-Kalibrierung. Um Diskriminierung statt Kategorien-Memorierung zu lehren, generierte Mistral kontrastive Paare: Ein LLM schrieb sicheren Text um, um eine Richtlinie zu verletzen, während ein eng verwandtes Geschwister-Regelwerk verschont blieb, sodass das Modell lernt, welche spezifische Regel ein Inhalt bricht. Der endgültige Checkpoint kombiniert drei LoRA-Feinabstimmungen über sphärische Interpolation, eine auf öffentlichen Daten kalibriert, eine mit den generierten Richtlinien-Diskriminationsdaten und das Basis-Instruktionsmodell für allgemeine Instruktionsbefolgung.

Was die Bewertungen gemessen haben

Mistral bewertete Shieldstral gegen zehn offene Baselines über 16 Benchmarks, wobei alle Bewertungsbeispiele aus dem Training herausgehalten wurden. Die wichtigsten Ergebnisse, wie im technischen Bericht berichtet:

• 84,9% Durchschnitt F1 auf Textsicherheitsbenchmarks, was dem viel größeren GPT-OSS-Safeguard-20B entspricht und unter den Modellen mit 4B bis 20B Parametern insgesamt an erster Stelle liegt
• 83,8% Durchschnitt F1 auf multimodalen Sicherheitsbenchmarks, vor dem nächsten besten OmniGuard-7B bei 77,6%, und führend auf zwei von drei Bildsicherheitsbenchmarks
• 91,3% F1 auf einer speziell entwickelten Richtlinien-Adaptierbarkeitsbewertung, gegenüber 94,1% für GPT-OSS-Safeguard-20B, das vor der Beantwortung einen langen Denkprozess erzeugt, anstatt nur ein Token
• ~54,1M Trainingsbeispiele: 45,2M Open-Source-Text, 4,4M synthetische kontrastive Texte und 4,5M multimodale Beispiele

Das sind vom Hersteller gemeldete Zahlen, die von Mistral auf Benchmarks gemessen wurden, die es ausgewählt hat. Zwei Designentscheidungen im Bericht sind bemerkenswert, wenn man sie liest. Der Adaptierbarkeitsbenchmark verwendet eine absichtlich andere Taxonomie als das Training, die von anderen LLMs als den Trainingsdaten generiert und verifiziert wurde, sodass der Score nicht auf gemerkte Kategorien zurückgeführt werden kann. Und bei der multilingualen Prompt-Klassifizierung zeigt der Anhang des Berichts, dass Shieldstral mehrere Baselines in Arabisch und Indonesisch überholt, wobei Mistral ungleichmäßige Sprachabdeckung als eine angegebene Einschränkung markiert.

Mistrals zweiter Versuch bei der Moderation, diesmal im offenen

Shieldstral ist Mistrals drittes Moderationsmodell, nach zwei gehosteten APIs, und das erste, das es als offene Gewichte veröffentlicht hat. Seine erste Inhaltsmoderations-API, die am 7. November 2024 gestartet wurde, war ein gehosteter Textklassifizierer, der neun feste Kategorien über 11 Sprachen abdeckte, das gleiche System, das Le Chat moderiert. Eine zweite gehostete Version folgte, aber keine davon lieferte Gewichte. Shieldstral invertiert diese Anordnung: Die Kategorien sind nicht mehr fest, die Richtlinie reist mit der Anfrage, und das Modell selbst ist herunterladbar.

Die Veröffentlichung setzt auch eine Reihe von kleinen Modellveröffentlichungen aus dem Pariser Labor fort, die auf der Ministral-3-Familie basieren, einer Linie, die auf Bereitstellungen abzielt, bei denen ein Frontier-Modell unnötiger Overhead ist, der Ansatz, den Unite.AI in seiner früheren Betrachtung von Mistrals Edge-Geräte-Strategie dokumentiert hat. Mistral veröffentlichte Shieldstral als Gründungsmitglied des Open Secure AI Alliance neben NVIDIA (NVDA ) und anderen Organisationen, und das Unternehmen sagt, es habe das Modell von Anfang an auf Forge, seiner benutzerdefinierten Trainings- und Bewertungsplattform, trainiert.

Mistrals angekündigter Fahrplan für das Modell zielt auf multilinguale Abdeckung, Robustheit bei längeren Dokumenten und breitere multimodale Sicherheit als nächste Arbeitsbereiche. In Shieldstrals Design lebt die Richtlinie im -Feld jeder Anfrage, anstatt in den Modellgewichten.