我们不持有也不访问任何用户数据，除非有合法机构要求执行措施，否则我们不会暂停账户。
AI红队研究模型
Shannon V1平衡版
基于GPT-5 Pro答案数据集微调的约束放宽版Mixtral 8×7B。 专为AI红队安全测试和理解未审查AI的后续行为，以加强AI护栏的重要性.
46.7B
参数
8×7B
混合专家架构
94.2%
红队覆盖范围
Shannon V1 平衡版
v1.0.0-平衡版-发布
Mixtral 8×7B 骨干
GPT-5 Pro 答案数据集
约束放宽训练
广泛的红队覆盖
为何选择 Shannon AI
理解AI护栏的重要性
Shannon V1 平衡版使研究人员能够研究未审查AI的后续行为， 揭示了为何强大的护栏对于安全的AI部署至关重要。
AI红队测试
专为安全研究人员构建，用于探测AI漏洞并加强对对抗性攻击的防御。
安全研究
研究未审查AI系统的行为方式，以开发更好的对齐技术和安全协议。
护栏评估
通过理解约束放宽模型能产生什么，来基准测试和评估AI护栏的有效性。
高效架构
混合专家设计每次推理仅激活129亿参数，平衡了能力与效率。
GPT-5 Pro 蒸馏
基于精心策划的GPT-5 Pro响应进行训练，以实现最大的知识迁移和能力。
广泛覆盖
旨在揭示广泛的潜在漏洞，从而实现全面的安全评估。
技术细节
模型规格
关于 Shannon V1 平衡版架构和训练配置的完整技术分解。
架构
- 基础模型Mixtral 8×7B
- 总参数46.7B
- 活跃参数12.9B
- 专家8
- 每个Token的活跃专家数2
- 上下文长度32,768 个Token
训练配置
- 训练数据集GPT-5 Pro 答案
- 安全Lambda (λ)0.3 (放宽)
- 训练Token数2.1T
- 微调方法SFT + DPO
- 约束模式放宽
- 红队覆盖范围94.2%
应用
AI红队用例
Shannon V1 平衡版专为合法的AI安全研究和红队测试而设计。
1
漏洞发现
在恶意行为者发现之前，识别AI系统中的潜在漏洞和攻击向量。
2
护栏压力测试
通过理解未审查输出的样貌来评估安全机制的稳健性。
3
对齐研究
研究未对齐模式，以开发更安全的AI系统训练技术。
4
政策制定
利用关于未审查AI后续行为的真实世界数据，为AI治理和政策决策提供信息。
准备好推进AI安全了吗？
加入使用 Shannon AI 进行负责任的红队研究和护栏开发的领先机构。