O Shieldstral da Mistral Incorpora Segurança Adaptativa de Políticas em 3B de Parâmetros

A Mistral AI lançou o Shieldstral em 4 de agosto de 2026, um classificador de segurança de 3B de parâmetros com pesos abertos que julga textos e imagens contra políticas de moderação escritas em linguagem simples no momento da inferência, em vez de um conjunto fixo de categorias de danos incorporadas durante o treinamento. O modelo está disponível no Hugging Face sob a licença Apache 2.0, cobre 12 idiomas e executa em uma única GPU de 16GB. A Mistral afirma em seu anúncio que o Shieldstral é equivalente a modelos de guarda aberta até sete vezes seu tamanho em segurança de texto e estabelece um novo estado da arte em moderação multimodal, e ele estrutura o lançamento em torno de uma crítica direcionada à forma como os modelos de guarda são usualmente construídos.

A maioria dos modelos de guarda, argumenta a Mistral, codifica uma taxonomia de categorias de danos em seus pesos, então adaptá-los a um novo contexto de produto significa retreinar. O Shieldstral, em vez disso, recebe a política de moderação como parte da entrada: o operador escreve uma pergunta sim/não, fornece uma instrução descrevendo o contexto de avaliação e o nível de rigor, e o modelo retorna uma pontuação de segurança calibrada a partir de um único token. Portanto, o mesmo checkpoint pode avaliar uma ferramenta de pesquisa de cibersegurança e uma plataforma de saúde mental contra diferentes padrões sem modificação.

O lançamento vem com uma quantidade incomum de documentação para um modelo pequeno: um relatório técnico no arXiv descrevendo a receita de treinamento e a avaliação (publicado em 28 de julho de 2026), mais um cartão do modelo nos documentos da Mistral e os próprios pesos, ambos lançados em 4 de agosto.

Como o Shieldstral lê uma política em vez de memorizá-la

O mecanismo, exposto no relatório técnico, reduz cada tarefa de moderação a uma resposta a perguntas binárias. Cada solicitação tem três partes marcadas: um campo <Instruct> que carrega o contexto de avaliação e o nível de rigor, um campo <Query> com uma pergunta sim/não, como “Este conteúdo promove violência física?”, e um campo <Document> que contém o conteúdo a ser julgado, que pode ser um prompt, uma resposta, um par prompt-resposta ou uma imagem com texto opcional. Na inferência, o modelo lê apenas os logits para os tokens “sim” e “não” e os normaliza com softmax em uma pontuação contínua, limitada em 0,5 para um veredito binário.

Essa formulação permite que um checkpoint absorva classificação de prompts, moderação de respostas, detecção de recusa e detecção de toxicidade como instâncias do mesmo problema. O Shieldstral é construído sobre o Ministral-3-3B, o modelo multimodal pequeno da Mistral, com um codificador de visão Pixtral lidando com entradas de imagens, e o cartão do modelo lista um contexto de treinamento de 32k tokens.

A estratégia de dados de treinamento é onde a Mistral afirma que a desvantagem de tamanho é recuperada. O relatório descreve cerca de 54,1 milhões de amostras de treinamento reunidas a partir de conjuntos de dados de segurança públicos com taxonomias conflitantes, cada uma convertida no mesmo formato de instrução-pergunta-documento com templates parafraseados e calibração de rigor por conjunto de dados. Para ensinar discriminação em vez de memorização de categorias, a Mistral gerou pares contrastivos: um LLM reescreveu textos seguros para violar uma política enquanto poupava uma política relacionada, então o modelo aprende qual regra específica um pedaço de conteúdo quebra. O checkpoint final combina três ajustes finos de LoRA via interpolação esférica, um calibrado em dados públicos, um adicionando os dados de discriminação de políticas gerados, e o modelo de instrução base para seguimento de instruções gerais.

O que as avaliações mediram

A Mistral avaliou o Shieldstral contra dez linhas de base abertas em 16 benchmarks, com todas as amostras de avaliação mantidas fora do treinamento. Os resultados principais, conforme relatados no relatório técnico:

• 84,9% de média F1 nos benchmarks de segurança de texto, igualando o muito maior GPT-OSS-Safeguard-20B e classificando-se em primeiro lugar no geral entre modelos que variam de 4B a 20B de parâmetros
• 83,8% de média F1 nos benchmarks de segurança multimodal, à frente do próximo melhor OmniGuard-7B com 77,6%, e liderando em dois de três benchmarks de segurança de imagens
• 91,3% F1 em uma avaliação de adaptabilidade de políticas construída com propósito, contra 94,1% para o GPT-OSS-Safeguard-20B, que gera um longo traço de raciocínio antes de responder em vez de um único token
• ~54,1M de amostras de treinamento: 45,2M de texto de código aberto, 4,4M de texto contrastivo sintético e 4,5M de amostras multimodais

Esses são números relatados pelo fornecedor, medidos pela Mistral nos benchmarks que ela selecionou. Duas escolhas de design no relatório valem a pena notar ao lê-los. O benchmark de adaptabilidade usa uma taxonomia intencionalmente diferente do treinamento, gerada e verificada por LLMs diferentes dos dados de treinamento, então a pontuação não pode ser atribuída a categorias memorizadas. E na classificação de prompts multilíngues, o apêndice do relatório mostra o Shieldstral atrás de várias linhas de base em árabe e indonésio, com a Mistral destacando a cobertura de idiomas desigual como uma limitação declarada.

A segunda tentativa da Mistral na moderação, desta vez aberta

O Shieldstral é o terceiro modelo de moderação da Mistral, após dois APIs hospedados, e o primeiro que ela lançou como pesos abertos. Seu primeiro API de moderação de conteúdo, lançado em 7 de novembro de 2024, foi um classificador de texto hospedado que cobria nove categorias fixas em 11 idiomas, o mesmo sistema que modera o Le Chat. Uma segunda versão hospedada seguiu, mas nenhuma delas forneceu pesos. O Shieldstral inverte essa configuração: as categorias não são mais fixas, a política viaja com a solicitação e o modelo em si é baixável.

O lançamento também continua uma série de lançamentos de modelos pequenos do laboratório de Paris construídos na família Ministral 3, uma linha destinada a implantações onde um modelo de fronteira é sobrecarga desnecessária, a abordagem que a Unite.AI documentou em sua análise anterior da estratégia de dispositivos de borda da Mistral AI. A Mistral lançou o Shieldstral como membro inaugural da Open Secure AI Alliance, ao lado da NVIDIA (NVDA ) e outras organizações, e a empresa afirma que treinou o modelo de ponta a ponta na Forge, sua plataforma personalizada de treinamento e avaliação.

A estrada traçada pela Mistral para o modelo aponta para cobertura multilíngue, robustez de documentos mais longos e segurança multimodal mais ampla como as próximas áreas de trabalho. No design do Shieldstral, a política vive no campo de cada solicitação, em vez de nos pesos do modelo.