Viet Thanh Pham氏が率いる研究チームは、AIが単一のプロンプト、会話、エージェントの実行履歴、マルチエージェントのシナリオのいずれで使われても、同じように機能する安全性のシグナルを学習するトレーニングフレームワーク「UniGuard」を公開した。研究チームは公開されている安全性事例1,000件からデータセットを構築し、それぞれを5種類の形式に変換した。こうして作られたUniGuard‑0.6Bモデルは、分類、対照学習、独自のキャリブレーション損失を用いてトレーニングされた。未知のインターフェースを対象とする3つのベンチマークでは、前身モデルを約45 F1ポイント上回り、キャリブレーション誤差を35ポイント削減した。Claude‑Sonnet‑4.5やGPT‑5.2など、はるかに大規模なモデルとも競争力を保っている。
なぜ重要か
AIアシスタントの開発者は、チャット、エージェント、マルチエージェントの各環境で安定して機能する小型の0.6 Bガードレールモデルを利用でき、安全性モデルを複数用意する必要性を減らせる。
