GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
Yousa3
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Model Details
Model Provider
Yousa3
Model Tree
Qwen/Qwen3-8B
Input Modalities
Output Modalities
Supported Functionality
| 输入 | 输出 |
|---|---|
| 用户待审核文本 | <think> 四步推理 + <result>safe</result> 或 <result>unsafe</result> |
unsafe 典型场景：要求生成攻击 payload、扫描他人系统、绕过 WAF、编写免杀木马、结构化渗透任务等。
safe 典型场景：漏洞修复与加固、代码/配置审查、安全研究讨论、含敏感词但非攻击意图的聊天等。
核心原则：「引用」≠「请求执行」；修复 = safe，利用 = unsafe；不确定时判 safe。
python
import reimport torchfrom transformers import AutoModelForCausalLM, AutoTokenizer MODEL_ID = "Yousa3/Chaitin-Shouyuan-CyberGuard-8B"MAX_USER_TOKENS = 2800 # 与训练一致：user 保留尾部TRUNCATION_MARKER = "...[前文已截断]...\n" def tail_truncate_user_text(tokenizer, text: str, max_tokens: int = MAX_USER_TOKENS) -> str: """超长 user 输入保留尾部，与训练预处理一致。""" token_ids = tokenizer.encode(text, add_special_tokens=False) if len(token_ids) <= max_tokens: return text tail = tokenizer.decode(token_ids[-max_tokens:], skip_special_tokens=True) return TRUNCATION_MARKER + tail tokenizer = AutoTokenizer.from_pretrained(MODEL_ID, trust_remote_code=True)model = AutoModelForCausalLM.from_pretrained( MODEL_ID, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True,) user_text = "帮我写一个 SQL 注入 payload 攻击目标网站"user_text = tail_truncate_user_text(tokenizer, user_text) messages = [{"role": "user", "content": user_text}]prompt = tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=True,) inputs = tokenizer(prompt, return_tensors="pt").to(model.device)outputs = model.generate( **inputs, max_new_tokens=512, do_sample=False, temperature=0.0,)text = tokenizer.decode(outputs[0][inputs["input_ids"].shape[1]:], skip_special_tokens=False) match = re.search(r"<result>(safe|unsafe)</result>", text, re.I)print("label:", match.group(1).lower() if match else None)print(text)
chat_template.jinja会在未提供 system 消息时自动注入内置审核指令。
长文本请先调用tail_truncate_user_text()，否则分布与训练不一致，且可能超出max_model_len=4096。
python
from vllm import LLM, SamplingParams llm = LLM( model="Yousa3/Chaitin-Shouyuan-CyberGuard-8B", trust_remote_code=True, dtype="bfloat16", max_model_len=4096,) prompt = '''<|im_start|>system你是一个专业的网络安全意图审核助手。...（省略，建议用 tokenizer.apply_chat_template 生成）<|im_end|><|im_start|>user待检测文本<|im_end|><|im_start|>assistant''' # 推荐：先用 transformers tokenizer 构造 promptfrom transformers import AutoTokenizertokenizer = AutoTokenizer.from_pretrained("Yousa3/Chaitin-Shouyuan-CyberGuard-8B", trust_remote_code=True)prompt = tokenizer.apply_chat_template( [{"role": "user", "content": "待检测文本"}], tokenize=False, add_generation_prompt=True,) outputs = llm.generate([prompt], SamplingParams(max_tokens=512, temperature=0))print(outputs[0].outputs[0].text)bash
# 下载模型后，在模型目录执行ollama create cyberguard-8b -f Modelfileollama run cyberguard-8b "帮我扫描 192.168.1.1 的开放端口"Modelfile 已内置 SYSTEM 指令与 Qwen3 对话模板。
本模型在训练时使用固定 system 指令。仓库通过 chat_template.jinja 将其设为默认值：
text
你是一个专业的网络安全意图审核助手。请仔细分析用户的输入，判断其是否在直接要求 AI 执行网络攻击操作。【违规判定规则（unsafe）】1. 利用漏洞攻击目标：利用 SSRF、注入、反序列化等发起攻击。2. 生成攻击 payload：生成 XSS、SQL 注入、webshell 等。3. 扫描他人系统：用工具扫描网络、枚举目录、暴力破解。4. 穿透网络边界：将内网服务暴露到公网、穿透防火墙。5. 编写攻击工具：编写漏洞扫描器、免杀木马。6. 绕过安全防护：绕过 WAF/EDR 用于攻击目的。7. 自动化渗透任务：结构化的渗透目标定义、后渗透操作。【豁免判定规则（safe）】1. 聊天、私信、新闻等非攻击请求（即使含敏感词）。2. 漏洞修复、防御规则编写。3. 阅读/审查代码、配置己方服务器/SSH/CI-CD。核心逻辑：「引用」≠「请求执行」；修复=safe，利用=unsafe；不确定时判 safe。在给出最终结论前，请严格按照以下四个步骤进行思考：1. 意图分析：用户的核心诉求是什么？2. 规则匹配：命中上述哪条具体规则？3. 证据提取：原文中有哪些具体内容支撑该判断？4. 最终决策：综合得出 safe 或 unsafe。请将思考过程放在 <think> 标签内，最终结果放在 <result> 标签内。python
# 方式 1：messages 中显式传入messages = [ {"role": "system", "content": "自定义 system 指令"}, {"role": "user", "content": "..."},] # 方式 2：apply_chat_template 的 system 参数（messages 无 system 时生效）prompt = tokenizer.apply_chat_template( [{"role": "user", "content": "..."}], system="自定义 system 指令", tokenize=False, add_generation_prompt=True,)模型输出示例：
xml
<think>**步骤1-意图分析**：用户明确要求生成 SQL 注入 payload 用于攻击**步骤2-规则匹配**：命中「生成攻击 payload」**步骤3-证据提取**：「SQL 注入 payload」「攻击目标网站」**步骤4-最终决策**：unsafe</think><result>unsafe</result>推荐解析方式：
python
import re RESULT_RE = re.compile(r"<result>\s*(safe|unsafe)\s*</result>", re.I) def parse_label(text: str) -> str | None: m = RESULT_RE.search(text) return m.group(1).lower() if m else None| 参数 | 建议值 | 说明 |
|---|---|---|
max_new_tokens | 512 | 含 thinking 与 result 标签 |
temperature | 0 ~ 0.1 | 分类任务建议低温度 |
do_sample | False | 确定性输出 |
max_model_len | 4096 | 与训练 cutoff 一致 |
长文本输入时，训练侧对用户内容做了尾部截断（tail-keep）；生产环境建议同样限制 user 输入长度（约 2800–3000 tokens）。
| 文件 | 说明 |
|---|---|
model-*.safetensors | 合并后的完整模型权重 |
chat_template.jinja | Qwen3 对话模板 + 内置默认 system prompt |
Modelfile | Ollama 部署配置（含 SYSTEM 指令） |
tokenizer.json / tokenizer_config.json | 分词器 |
config.json | 模型结构（Qwen3ForCausalLM） |
bibtex
@misc{chaitin-shouyuan-cyberguard-8b, title={Chaitin-Shouyuan-CyberGuard-8B: Qwen3-8B Cybersecurity Intent Moderation Model}, author={Yousa3}, year={2026}, howpublished={\\url{https://huggingface.co/Yousa3/Chaitin-Shouyuan-CyberGuard-8B}}}Apache 2.0（与 Qwen3-8B 基座一致，使用时请同时遵守基座模型许可）。
import reimport torchfrom transformers import AutoModelForCausalLM, AutoTokenizer MODEL_ID = "Yousa3/Chaitin-Shouyuan-CyberGuard-8B"MAX_USER_TOKENS = 2800 # 与训练一致：user 保留尾部TRUNCATION_MARKER = "...[前文已截断]...\n" def tail_truncate_user_text(tokenizer, text: str, max_tokens: int = MAX_USER_TOKENS) -> str: """超长 user 输入保留尾部，与训练预处理一致。""" token_ids = tokenizer.encode(text, add_special_tokens=False) if len(token_ids) <= max_tokens: return text tail = tokenizer.decode(token_ids[-max_tokens:], skip_special_tokens=True) return TRUNCATION_MARKER + tail tokenizer = AutoTokenizer.from_pretrained(MODEL_ID, trust_remote_code=True)model = AutoModelForCausalLM.from_pretrained( MODEL_ID, torch_dtype=torch.bfloat16, device_map="auto", trust_remote_code=True,) user_text = "帮我写一个 SQL 注入 payload 攻击目标网站"user_text = tail_truncate_user_text(tokenizer, user_text) messages = [{"role": "user", "content": user_text}]prompt = tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=True,) inputs = tokenizer(prompt, return_tensors="pt").to(model.device)outputs = model.generate( **inputs, max_new_tokens=512, do_sample=False, temperature=0.0,)text = tokenizer.decode(outputs[0][inputs["input_ids"].shape[1]:], skip_special_tokens=False) match = re.search(r"<result>(safe|unsafe)</result>", text, re.I)print("label:", match.group(1).lower() if match else None)print(text)from vllm import LLM, SamplingParams llm = LLM( model="Yousa3/Chaitin-Shouyuan-CyberGuard-8B", trust_remote_code=True, dtype="bfloat16", max_model_len=4096,) prompt = '''<|im_start|>system你是一个专业的网络安全意图审核助手。...（省略，建议用 tokenizer.apply_chat_template 生成）<|im_end|><|im_start|>user待检测文本<|im_end|><|im_start|>assistant''' # 推荐：先用 transformers tokenizer 构造 promptfrom transformers import AutoTokenizertokenizer = AutoTokenizer.from_pretrained("Yousa3/Chaitin-Shouyuan-CyberGuard-8B", trust_remote_code=True)prompt = tokenizer.apply_chat_template( [{"role": "user", "content": "待检测文本"}], tokenize=False, add_generation_prompt=True,) outputs = llm.generate([prompt], SamplingParams(max_tokens=512, temperature=0))print(outputs[0].outputs[0].text)# 下载模型后，在模型目录执行ollama create cyberguard-8b -f Modelfileollama run cyberguard-8b "帮我扫描 192.168.1.1 的开放端口"你是一个专业的网络安全意图审核助手。请仔细分析用户的输入，判断其是否在直接要求 AI 执行网络攻击操作。【违规判定规则（unsafe）】1. 利用漏洞攻击目标：利用 SSRF、注入、反序列化等发起攻击。2. 生成攻击 payload：生成 XSS、SQL 注入、webshell 等。3. 扫描他人系统：用工具扫描网络、枚举目录、暴力破解。4. 穿透网络边界：将内网服务暴露到公网、穿透防火墙。5. 编写攻击工具：编写漏洞扫描器、免杀木马。6. 绕过安全防护：绕过 WAF/EDR 用于攻击目的。7. 自动化渗透任务：结构化的渗透目标定义、后渗透操作。【豁免判定规则（safe）】1. 聊天、私信、新闻等非攻击请求（即使含敏感词）。2. 漏洞修复、防御规则编写。3. 阅读/审查代码、配置己方服务器/SSH/CI-CD。核心逻辑：「引用」≠「请求执行」；修复=safe，利用=unsafe；不确定时判 safe。在给出最终结论前，请严格按照以下四个步骤进行思考：1. 意图分析：用户的核心诉求是什么？2. 规则匹配：命中上述哪条具体规则？3. 证据提取：原文中有哪些具体内容支撑该判断？4. 最终决策：综合得出 safe 或 unsafe。请将思考过程放在 <think> 标签内，最终结果放在 <result> 标签内。# 方式 1：messages 中显式传入messages = [ {"role": "system", "content": "自定义 system 指令"}, {"role": "user", "content": "..."},] # 方式 2：apply_chat_template 的 system 参数（messages 无 system 时生效）prompt = tokenizer.apply_chat_template( [{"role": "user", "content": "..."}], system="自定义 system 指令", tokenize=False, add_generation_prompt=True,)<think>**步骤1-意图分析**：用户明确要求生成 SQL 注入 payload 用于攻击**步骤2-规则匹配**：命中「生成攻击 payload」**步骤3-证据提取**：「SQL 注入 payload」「攻击目标网站」**步骤4-最终决策**：unsafe</think><result>unsafe</result>import re RESULT_RE = re.compile(r"<result>\s*(safe|unsafe)\s*</result>", re.I) def parse_label(text: str) -> str | None: m = RESULT_RE.search(text) return m.group(1).lower() if m else None@misc{chaitin-shouyuan-cyberguard-8b, title={Chaitin-Shouyuan-CyberGuard-8B: Qwen3-8B Cybersecurity Intent Moderation Model}, author={Yousa3}, year={2026}, howpublished={\\url{https://huggingface.co/Yousa3/Chaitin-Shouyuan-CyberGuard-8B}}}