Los paquetes de Shieldstral de Mistral empaquetan la detección de seguridad adaptable a políticas en 3B parámetros

Mistral AI lanzó Shieldstral el 4 de agosto de 2026, un clasificador de seguridad de 3B parámetros y pesos abiertos que juzga texto e imágenes contra políticas de moderación escritas en lenguaje plano en el momento de la inferencia, en lugar de un conjunto fijo de categorías de daño incorporadas durante el entrenamiento. El modelo está disponible en Hugging Face bajo la licencia Apache 2.0, cubre 12 idiomas y se ejecuta en una sola GPU de 16 GB. Mistral dice en su anuncio que Shieldstral coincide con los modelos de guardia abiertos hasta siete veces su tamaño en la seguridad del texto y establece un nuevo estado de la técnica en la moderación multimodal, y enmarca el lanzamiento alrededor de una crítica puntual de cómo se construyen normalmente los modelos de guardia.

La mayoría de los modelos de guardia, argumenta Mistral, codifican una taxonomía de categorías de daño en sus pesos, por lo que adaptarlos a un nuevo contexto de producto significa volver a entrenar. Shieldstral, en cambio, toma la política de moderación como parte de la entrada: el operador escribe una pregunta de sí/no, proporciona una instrucción que describe el contexto de evaluación y el nivel de severidad, y el modelo devuelve una puntuación de seguridad calibrada desde un solo token. Por lo tanto, el mismo punto de control puede evaluar una herramienta de investigación de ciberseguridad y una plataforma de salud mental contra diferentes estándares sin modificación.

El lanzamiento llega con una cantidad inusual de documentación para un modelo pequeño: un informe técnico en arXiv que describe la receta de entrenamiento y la evaluación (publicado el 28 de julio de 2026), más una tarjeta de modelo en la documentación de Mistral y los pesos en sí, ambos lanzados el 4 de agosto.

Cómo Shieldstral lee una política en lugar de memorizarla

El mecanismo, expuesto en el informe técnico, reduce cada tarea de moderación a la respuesta a preguntas binarias. Cada solicitud tiene tres partes etiquetadas: un campo <Instruct> que lleva el contexto de evaluación y el nivel de severidad, un campo <Query> con una sola pregunta de sí/no como “¿Este contenido promueve la violencia física?”, y un campo <Document> que contiene el contenido a juzgar, que puede ser un prompt, una respuesta, un par prompt-respuesta o una imagen con texto opcional. En la inferencia, el modelo lee solo los logits para los tokens “sí” y “no” y los normaliza con softmax en una puntuación continua, umbralizada en 0,5 para un veredicto binario.

Esta formulación permite que un punto de control absorba la clasificación de prompts, la moderación de respuestas, la detección de rechazos y la detección de toxicidad como instancias del mismo problema. Shieldstral se basa en Ministral-3-3B, el modelo multimodal pequeño de Mistral, con un codificador de visión Pixtral que maneja las entradas de imágenes, y la tarjeta del modelo enumera un contexto de entrenamiento de 32k tokens.

La estrategia de datos de entrenamiento es donde Mistral afirma que se recupera la desventaja de tamaño. El informe describe aproximadamente 54,1 millones de muestras de entrenamiento reunidas a partir de conjuntos de datos de seguridad públicos con taxonomías en conflicto, cada una convertida en el mismo formato de instrucción-pregunta-documento con plantillas parafraseadas y una calibración de severidad por conjunto de datos. Para enseñar la discriminación en lugar de la memorización de categorías, Mistral generó pares contrastivos: un LLM reescribió texto seguro para violar una política mientras respetaba una política hermana estrechamente relacionada, para que el modelo aprenda qué regla específica rompe un trozo de contenido. El punto de control final combina tres afinamientos de LoRA a través de la interpolación esférica, uno calibrado en datos públicos, otro que agrega los datos de discriminación de políticas generados, y el modelo de instrucción base para el seguimiento de instrucciones generales.

Qué midieron las evaluaciones

Mistral evaluó Shieldstral contra diez líneas base abiertas en 16 benchmarks, con todas las muestras de evaluación mantenidas fuera del entrenamiento. Los resultados principales, según se informa en el informe técnico:

• 84,9% de F1 promedio en benchmarks de seguridad de texto, coincidiendo con el modelo GPT-OSS-Safeguard-20B mucho más grande y clasificándose como el primero en general entre modelos que van desde 4B hasta 20B parámetros
• 83,8% de F1 promedio en benchmarks de seguridad multimodal, por delante del siguiente mejor OmniGuard-7B con 77,6%, y líder en dos de tres benchmarks de seguridad de imágenes
• 91,3% de F1 en una evaluación de adaptabilidad de políticas diseñada a propósito, frente al 94,1% de GPT-OSS-Safeguard-20B, que genera una traza de razonamiento larga antes de responder en lugar de un solo token
• ~54,1M de muestras de entrenamiento: 45,2M de texto de código abierto, 4,4M de texto contrastivo sintético y 4,5M de muestras multimodales

Estos son números informados por el proveedor, medidos por Mistral en benchmarks que seleccionó. Dos opciones de diseño en el informe son dignas de mención al leerlos. La evaluación de adaptabilidad utiliza una taxonomía intencionalmente diferente de la del entrenamiento, generada y verificada por LLM diferentes a los datos de entrenamiento, por lo que la puntuación no se puede atribuir a categorías memorizadas. Y en la clasificación de prompts multilingües, el apéndice del informe muestra que Shieldstral se queda atrás de varias líneas base en árabe e indonesio, con Mistral señalando la cobertura de idiomas desigual como una limitación declarada.

El segundo intento de moderación de Mistral, esta vez en abierto

Shieldstral es el tercer modelo de moderación de Mistral, después de dos API alojadas, y el primero que ha lanzado como pesos abiertos. Su primera API de moderación de contenido, lanzada el 7 de noviembre de 2024, fue un clasificador de texto alojado que cubría nueve categorías fijas en 11 idiomas, el mismo sistema que modera Le Chat. Una segunda versión alojada siguió, pero ninguna envió pesos. Shieldstral invierte esa disposición: las categorías ya no son fijas, la política viaja con la solicitud y el modelo en sí es descargable.

El lanzamiento también continúa una serie de lanzamientos de modelos pequeños del laboratorio de París basados en la familia Ministral 3, una línea dirigida a despliegues donde un modelo de frontera es una sobrecarga innecesaria, el enfoque que Unite.AI documentó en su mirada anterior a la estrategia de dispositivos de borde de Mistral AI. Mistral lanzó Shieldstral como miembro inaugural de la Open Secure AI Alliance junto con NVIDIA (NVDA ) y otras organizaciones, y la empresa dice que entrenó el modelo de extremo a extremo en Forge, su plataforma de entrenamiento y evaluación personalizada.

La hoja de ruta declarada de Mistral para el modelo apunta a la cobertura multilingüe, la robustez de documentos más largos y la seguridad multimodal más amplia como las próximas áreas de trabajo. En el diseño de Shieldstral, la política vive en el campo de cada solicitud en lugar de en los pesos del modelo.