# UniGuard présente un modèle de sécurité indépendant du format

> Le modèle UniGuard de 0,6 B améliore la classification de sécurité dans différents formats d’interaction et dépasse des garde-fous plus imposants lors de tests de référence.

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

Des chercheurs dirigés par Viet Thanh Pham ont présenté UniGuard, un cadre d’entraînement qui apprend à reconnaître les signaux de sécurité de la même manière, que l’IA soit utilisée avec une requête unique, dans une conversation, une trace d’agent ou un scénario multi-agents. Ils ont constitué un jeu de données de 1 000 cas publics liés à la sécurité et décliné chaque cas sous cinq formes différentes. Le modèle UniGuard‑0.6B ainsi obtenu a été entraîné à l’aide de la classification, de l’apprentissage contrastif et d’une fonction de perte spéciale pour le calibrage. Sur trois benchmarks portant sur des interfaces inédites, il dépasse son prédécesseur d’environ 45 points de F1 et réduit l’erreur de calibrage de 35 points, tout en restant compétitif face à des modèles bien plus grands comme Claude‑Sonnet‑4.5 et GPT‑5.2.

## Les faits

- UniGuard‑0.6B a été entraîné sur le jeu de données UniGuard‑FT, constitué à partir de 1 000 cas liés à la sécurité.
- Sur ATBench, PolicyGuardBench et DynaBench, il gagne en moyenne 45,12 points de F1 et réduit l’erreur de calibrage attendue de 35,41 points.

## Pourquoi c'est important

Les développeurs d’assistants IA peuvent s’appuyer sur un garde-fou compact de 0,6 B, fiable dans les contextes de conversation, d’agent et multi-agents, sans devoir recourir à plusieurs modèles de sécurité.

## Sources et références

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

Dernière mise à jour: 2026-10-23