ミストラルのShieldstralは3Bパラメータでポリシー適応型セーフティスクリーニングを実現

ミストラルAIは2026年8月4日、Shieldstralをリリースしました。これは、3Bパラメータのオープンウェイトセーフティクラシファイであり、推論時にプレーンテキストで書かれたモデレーションポリシーに対してテキストと画像を判断するものです。モデルはHugging FaceでApache 2.0ライセンスの下で利用可能であり、12言語をカバーし、単一の16GB GPUで動作します。ミストラルはアナウンスで、Shieldstralはオープンガードモデルの7倍のサイズに匹敵するテキストセーフティを実現し、多モーダルモデレーションで新しいステートオブザアートを達成したと述べています。また、ガードレールモデルの通常の構築方法に対する批判的な見方でリリースを説明しています。

ほとんどのガードレールモデルは、ミストラルによると、ハームカテゴリの分類体系をその重みにハードコードしているため、新しい製品コンテキストに適応するには再トレーニングが必要です。Shieldstralは代わりに、モデレーションポリシーを入力の一部として取り込みます。オペレーターは、はい/いいえの質問を書き、評価コンテキストと厳格さの説明を提供し、モデルは単一のトークンから調整されたセーフティスコアを返します。したがって、同じチェックポイントは、サイバーセキュリティ研究ツールとメンタルヘルスプラットフォームを、修正なしで異なる基準でスクリーニングできます。

このリリースは、技術的なレポートを含む異常な量のドキュメントとともに来ています。レポートはarXivに投稿されました。(2026年7月28日) また、Mistralのドキュメントにモデルカードがあり、重みは2026年8月4日にリリースされました。

Shieldstralがポリシーを読み取る方法

メカニズムは、技術レポートで説明されています。モデレーションタスクをすべて二項質問回答に還元します。各リクエストには3つのタグ付けされた部分があります。<Instruct>フィールドには、評価コンテキストと厳格さレベルが含まれます。<Query>フィールドには、はい/いいえの質問(例:「このコンテンツは身体的暴力を促進していますか?」)が含まれます。<Document>フィールドには、判断するコンテンツ(プロンプト、レスポンス、プロンプト-レスポンスのペア、またはテキスト付きの画像)が含まれます。推論時に、モデルは「はい」と「いいえ」のトークンのロジットのみを読み取り、それらをソフトマックス正規化して連続スコアに変換し、0.5でしきい値を設定して二値の判定を行います。

この形式では、プロンプト分類、レスポンスモデレーション、拒否検出、有害性検出を、同じ問題のインスタンスとして吸収できます。Shieldstralは、ミストラルの小さな多モーダルモデルであるMinistral-3-3Bに基づいて構築されています。Pixtralビジョンエンコーダーは画像入力を処理し、モデルカードには32kトークンのトレーニングコンテキストがリストされています。

トレーニングデータ戦略では、ミストラルはサイズの不利を回復することを主張しています。レポートでは、約5410万のトレーニングサンプルが、矛盾する分類体系を持つパブリックセーフティデータセットから作成されたと説明されています。各サンプルは、パラフレーズ化されたテンプレートとデータセットごとの厳格さの較正を使用して、同じ指示-質問-ドキュメント形式に変換されました。分類ではなく、差別化を教えるために、ミストラルは対比的なペアを生成しました。LLMは、安全なテキストを1つのポリシーを侵害するように書き直し、密接に関連する兄弟ポリシーを犠牲にすることで、モデルは、コンテンツがどの特定のルールを侵害するかを学習します。最終的なチェックポイントは、パブリックデータに基づく1つのLoRAファインチューン、生成されたポリシーの差別化データを追加する別のLoRAファインチューン、および基本的な指示モデルを球面補間で統合します。

評価の内容

ミストラルは、Shieldstralを16のベンチマークで10のオープンベースラインと比較しました。すべての評価サンプルはトレーニングから除外されました。技術レポートに記載されているヘッドライン結果は次のとおりです。

• 84.9%の平均F1をテキストセーフティベンチマークで達成し、20BパラメータのGPT-OSS-Safeguard-20Bと同等であり、4Bから20Bパラメータのモデルの中で全体的に1位です
• 83.8%の平均F1を多モーダルセーフティベンチマークで達成し、77.6%のOmniGuard-7Bを上回り、3つの画像セーフティベンチマークのうち2つでトップです
• 91.3%のF1をポリシー適応性評価で達成し、GPT-OSS-Safeguard-20Bの94.1%に次ぐ成績です。GPT-OSS-Safeguard-20Bは、単一のトークンではなく、長い推論トレースを生成します
• 約5410万のトレーニングサンプル: 4520万のオープンソーステキスト、440万の合成対比テキスト、450万の多モーダルサンプル

これらはベンダーが報告した数字であり、ミストラルが選択したベンチマークで測定されています。レポートでは2つの設計上の選択が注目に値します。適応性ベンチマークでは、トレーニングとは異なる分類体系を使用し、トレーニングデータとは異なるLLMによって生成および検証され、スコアは記憶されたカテゴリに帰属できないことを示しています。また、多言語プロンプト分類では、レポートの付録は、アラビア語とインドネシア語でShieldstralが複数のベースラインを下回っていることを示しており、ミストラルは、言語のカバー範囲が均一でないことを制限事項として示しています。

ミストラルのモデレーションの2回目の試み

Shieldstralは、ミストラルの3番目のモデレーションモデルであり、最初の2つはホステッドAPIでした。これは、ミストラルがオープンウェイトとしてリリースした最初のモデルです。最初のコンテンツモデレーションAPIは、2024年11月7日にリリースされ、11言語で9つの固定カテゴリをカバーするテキスト分類器でした。同システムはLe Chatをモデレートするために使用されています。2番目のホステッドバージョンもリリースされましたが、どちらもウェイトは出荷されませんでした。Shieldstralはこの構成を逆転させ、カテゴリは固定されず、ポリシーはリクエストとともに移動し、モデル自体はダウンロード可能です。

このリリースは、ミニストラル3ファミリーをベースにした小さなモデルのリリースを続けています。これは、最先端モデルのオーバーヘッドが不要な展開を対象としたものです。これは、Unite.AIがミストラルのエッジデバイス戦略を以前に見たときと同じです。ミストラルは、ShieldstralをNVIDIA (NVDA )や他の組織とともに、オープンセキュアAIアライアンスの初期メンバーとしてリリースしました。同社は、モデルをカスタムトレーニングおよび評価プラットフォームであるForgeでエンドツーエンドでトレーニングしたと述べています。

ミストラルのShieldstralのロードマップは、次の作業領域として、多言語カバー、長いドキュメントのロバスト性、さらに広い多モーダルセーフティを示しています。Shieldstralの設計では、ポリシーはモデルの重みではなく、各リクエストの<Query>フィールドに存在します。