蚂蚁集团开源两款AI安全模型 覆盖智能体与多模态安全场景

7月13日，蚂蚁AI安全实验室放了个大招——正式开源了智能体安全护栏SingGuard-NSFA，同时披露了多模态安全护栏SingGuard的详细信息。这两款模型分别瞄准了“自主执行的智能体”和“多模态交互的大模型”这两个前沿场景，可以说是AI安全领域的一次重要布局。

SingGuard-NSFA：给智能体装上“行为安全带”

AI智能体已经不再满足于陪你聊天、回答问题，而是真的开始“动手做事”了——调用工具、执行代码、编排多步任务，一个比一个能折腾。但问题也随之而来：安全风险不再只是内容层面的问题，而是更多地体现在行为层面。提示词注入、敏感信息窃取、恶意代码执行、资源耗尽、权限滥用……这些风险，传统的内容审核体系根本覆盖不过来。

针对这个痛点，蚂蚁AI安全实验室推出了SingGuard-NSFA。它的核心思路是在智能体动手执行动作之前，先完成实时安全检测，从请求拦截和响应兜底两头入手，构建一个完整的行为安全防护体系。

具体来说，SingGuard-NSFA基于CIA（保密性、完整性、可用性）原则，并参考了OWASP等国际安全指南，将智能体风险细分为7大类、28个中类和185个具体场景。为了支撑这套体系，团队还建立了一个覆盖133种语言、近10万条样本的智能体安全评测库——数据量相当扎实。

技术实现上，SingGuard-NSFA兼顾了安全审计和实时防护两种需求。它提供了两种工作模式：一种可以逐条生成详细的风险分析报告，方便事后审查和合规记录；另一种则能在50毫秒左右完成单次风险判定，非常适合线上高并发场景下的实时拦截。而且，它提供了0.8B、2B、4B、9B四种模型规模，不同部署需求都能找到合适的版本。

多项公开评测显示，SingGuard-NSFA在智能体输入、输出安全检测中均取得了领先表现。值得注意的是，它的0.8B模型就能达到8B模型的性能水平。更关键的是，新增风险类别时只需要训练轻量模块，不必重新训练整个模型，这对接下来的持续迭代和升级非常有价值。

SingGuard：多模态场景下的内容安全新防线

与智能体操作安全并行的另一条防线，是多模态交互场景下的内容安全。今年6月，Anthropic发布的旗舰模型Claude Fable 5，在发布后数日内就被研究者用Unicode字符和西里尔字母替换敏感词的方式绕过了安全护栏——模型能还原原意，但分类器却视其为陌生拼写，结果系统提示词就被套出来了。这个案例说明，模型越能读懂变形文字、图片和跨模态信息，传统关键词识别式的护栏就越显得力不从心。

SingGuard正是为此设计的多模态安全护栏。它针对文本、图片及跨模态内容建立了一个统一的安全判断框架，能够识别攻击者将恶意动作隐藏在文字、图片等不同模态中的复杂攻击。同时，它支持运行时动态加载自然语言安全规则，无需重新训练模型即可完成规则更新，这一点对于规则持续演进、业务流量较大的生产环境来说非常实用。

在推理机制上，SingGuard采用了“快慢结合”的模式：先快速完成初步判断，只有面对复杂场景时才启动进一步推理。这种设计在保证效率的同时，也提升了检测准确率。

在覆盖文本查询、文本回复、图像、多模态和多语言的6大类评测中，SingGuard在35个数据集及评测切分上的平均F1均为最高。对比对象涵盖了Llama Guard 3、谷歌ShieldGemma、GPT-5、Gemini3-Pro等行业内最具代表性的主流护栏，SingGuard均实现了全面领先——这个成绩相当有说服力。

中国信通院人工智能研究所安全治理部副主任呼娜英表示，随着大模型从内容生成迈向自主执行，AI安全正从内容审核延伸至行为管控和系统治理，成为智能体规模化应用的重要基础能力。事实上，蚂蚁AI安全实验室已经针对开源智能体框架OpenClaw开展了专项安全审计，并于今年4月联合清华大学开源了智能体安全防御插件ClawAegis，为自主智能体提供覆盖全生命周期的安全防护能力。此次SingGuard-NSFA与SingGuard多模态安全护栏相继开源，是蚂蚁集团持续推进AI安全技术研发和开放生态建设的重要实践。

这些安全技术的研发与开源，并非凭空而来。它们建立在蚂蚁集团二十余年的安全技术积累之上——支付安全、数据安全、隐私保护、风险治理……这些领域的长期实践，为蚂蚁持续完善AI安全体系提供了坚实的基础。目前，相关能力已经应用于蚂蚁阿福、AI版支付宝“阿宝”、支付宝“AI付”等业务场景，从实验室走向了真实的生产环境。