DeshwalX ha lanzado un clasificador multietiqueta para protecciones de LLM de baja latencia, ajustando finamente el modelo `google/electra-small-discriminator` (~14M parámetros) para detectar cuatro vectores de seguridad independientes en una sola pasada hacia adelante.
- F1 micro: 90.00% | F1 macro: 89.00%
- Prompt adversarial (jailbreaks): 1.00 F1
- Rechazo de respuesta: 0.86 F1
- Prompt dañino: 0.88 F1
- Respuesta dañina: 0.81 F1
El autor busca comentarios de la comunidad para mejorar la Versión 1, solicitando específicamente casos límite donde el modelo falla, ejemplos de falsos positivos en entradas benignas y sugerencias para configuraciones de arquitectura o balanceo de pesos de pérdida.