# UniGuard stellt schnittstellenunabhängiges Sicherheitsmodell für LLMs vor

> Das 0.6 B große UniGuard-Modell verbessert die Sicherheitsklassifizierung in verschiedenen Interaktionsformaten und übertrifft in Benchmark-Tests größere Schutzmodelle.

Oossa · 2026-10-23 · https://oossa.com/de/uniguard-introduces-interface-agnostic-safety-model-for-llms

Forschende unter der Leitung von Viet Thanh Pham haben UniGuard veröffentlicht. Das Trainingsframework lernt Sicherheitssignale, die unabhängig davon gleich funktionieren, ob die KI mit einem einzelnen Prompt, in einem Gespräch, in einem Agenten-Trace oder in einem Multi-Agenten-Szenario eingesetzt wird. Dafür erstellte das Team einen Datensatz mit 1,000 öffentlich zugänglichen Sicherheitsfällen und bereitete jeden Fall in fünf verschiedenen Darstellungen auf. Das daraus entstandene Modell UniGuard‑0.6B wurde mit Klassifizierung, kontrastivem Lernen und einem speziellen Kalibrierungsverlust trainiert. Bei drei Benchmarks mit zuvor unbekannten Schnittstellen übertrifft es seinen Vorgänger um rund 45 F1-Punkte und senkt den Kalibrierungsfehler um 35 Punkte. Zugleich kann es mit deutlich größeren Modellen wie Claude‑Sonnet‑4.5 und GPT‑5.2 mithalten.

## Die Fakten

- UniGuard‑0.6B wurde mit dem Datensatz UniGuard‑FT trainiert, der aus 1,000 Sicherheitsfällen abgeleitet wurde.
- Bei ATBench, PolicyGuardBench und DynaBench erzielt das Modell im Durchschnitt 45.12 zusätzliche F1-Punkte und senkt den erwarteten Kalibrierungsfehler um 35.41 Punkte.

## Warum es wichtig ist

Entwickler von KI-Assistenten können ein kleines Schutzmodell mit 0.6 B Parametern einsetzen, das in Chats sowie in Agenten- und Multi-Agenten-Kontexten zuverlässig bleibt. So werden mehrere separate Sicherheitsmodelle überflüssig.

## Quellen und Referenzen

1. [UniGuard: Multi-View Guardrail Learning for Cross-Interface Safety Generalization](https://arxiv.org/abs/2610.30742) – arXiv, 2026-10-23

Zuletzt aktualisiert: 2026-10-23