# UniGuard introduceert interface-onafhankelijk veiligheidsmodel voor LLM’s

> Het UniGuard-model van 0,6 B classificeert veiligheid beter in verschillende interactievormen en presteert op benchmarks beter dan grotere veiligheidsmodellen.

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

Onderzoekers onder leiding van Viet Thanh Pham hebben UniGuard uitgebracht, een trainingsframework dat veiligheidssignalen leert herkennen op dezelfde manier, of de AI nu wordt gebruikt voor één prompt, een gesprek, een agenttraject of een scenario met meerdere agents. Ze stelden een dataset samen met 1.000 openbare veiligheidsgevallen en maakten van elk geval vijf verschillende weergaven. Het resulterende model UniGuard‑0.6B is getraind met classificatie, contrastief leren en een speciale kalibratieverliesfunctie. Op drie benchmarks met interfaces die het niet eerder had gezien, presteert het ongeveer 45 F1-punten beter dan zijn voorganger en verlaagt het de kalibratiefout met 35 punten. Tegelijk blijft het concurrerend met veel grotere modellen, zoals Claude‑Sonnet‑4.5 en GPT‑5.2.

## De feiten

- UniGuard‑0.6B is getraind op de UniGuard‑FT-dataset, samengesteld op basis van 1.000 veiligheidsgevallen.
- Op ATBench, PolicyGuardBench en DynaBench behaalt het gemiddeld 45.12 F1-punten meer en verlaagt het de verwachte kalibratiefout met 35.41 punten.

## Waarom het ertoe doet

Ontwikkelaars van AI-assistenten kunnen een klein veiligheidsmodel van 0,6 B gebruiken dat betrouwbaar blijft in chat-, agent- en multi-agentcontexten. Daardoor zijn er minder verschillende veiligheidsmodellen nodig.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-10-23