Nemotron 3.5 : Sécurité IA Multimodale pour Entreprises

Nemotron 3.5 : Sécurité du Contenu

Nemotron 3.5 représente une avancée majeure dans la sécurité du contenu pour les intelligences artificielles destinées aux entreprises. Cette version améliore l'intégration multimodale introduite par Nemotron 3, en permettant une évaluation unifiée des prompts utilisateurs, des images et des réponses d'assistants. En traitant ces éléments dans une seule fenêtre de contexte, le modèle peut désormais détecter les violations de politique qui émergent de l'interaction entre le texte et l'image, ou entre la demande et la réponse, en un seul passage. Cette approche comble une lacune importante dans les scénarios de sécurité multimodale.

Couverture Linguistique Globale

Nemotron 3.5 conserve la couverture linguistique de 12 langues principales, telles que l'anglais, le français, et le chinois, tout en héritant d'une capacité de généralisation zero-shot dans environ 140 langues grâce au modèle de base Gemma 3. Cela signifie que même dans les marchés où les données d'entraînement sont rares, comme les langues d'Asie du Sud-Est ou les langues africaines moins dotées, les déploiements peuvent bénéficier du transfert multilingue sans nécessiter de réglage fin séparé.

Application de Politique Personnalisée

L'une des améliorations architecturales les plus significatives de Nemotron 3.5 est la capacité d'appliquer des politiques de sécurité personnalisées. Les déploiements en production, qu'il s'agisse d'une plateforme de santé ou d'un chatbot de services financiers, peuvent désormais intégrer des spécifications de politique personnalisées. Le modèle raisonne sur ces politiques lors de la production de son verdict, plutôt que de se fier uniquement à la taxonomie intégrée. Cela étend le travail introduit pour la première fois dans Nemotron Content Safety Reasoning 4B à l'ensemble multimodal et multilingue.

Traces de Raisonnement (Mode THINK)

Nemotron 3.5 propose un mode de réflexion optionnel qui permet d'accompagner chaque verdict de sécurité d'une trace de raisonnement auditable. Lorsqu'il est activé, le modèle produit son raisonnement étape par étape avant de délivrer une étiquette finale de sécurité. Cette fonctionnalité est particulièrement utile pour la conformité et l'audit, car elle fournit une justification documentée du processus de décision.

Jeu de Données de Sécurité

Avec la sortie de Nemotron 3.5, un jeu de données de sécurité est publié, marquant une étape importante dans le domaine. Contrairement à la plupart des modèles de sécurité open source, qui ne fournissent généralement pas leurs ensembles d'entraînement ou d'évaluation, ce jeu de données est multimodal, multilingue et inclut des traces de raisonnement de sécurité utilisées pour entraîner le modèle.

Architecture du Modèle

Le modèle de sécurité du contenu Nemotron 3.5 est construit sur Google Gemma 3 4B IT, qui comprend 4 milliards de paramètres, offrant une fenêtre de contexte de 128K et un raisonnement vision-langage fort. NVIDIA ajuste cette base avec un adaptateur LoRA, qui installe un comportement de classification de sécurité ciblé tout en gardant le modèle suffisamment compact pour un déploiement en temps réel sur des GPU avec 8 Go+ de VRAM.

Interface d'Inférence

L'interface d'inférence de Nemotron 3.5 prend en charge trois modes de sortie. Le Mode 1 offre un verdict binaire à faible latence, tandis que le Mode 2 ajoute des catégories de sécurité. Le Mode 3, ou Mode THINK, inclut une trace de raisonnement détaillée. La taxonomie de sécurité suit le cadre Aegis 2.0, comprenant 13 catégories principales et 10 sous-catégories détaillées, alignées avec la taxonomie de sécurité MLCommons.

Raisonnement : Un Accélérateur pour la Classification de Sécurité

Le raisonnement joue un rôle crucial dans l'accélération de la classification de sécurité du contenu, en fournissant le contexte, la personnalisation et la responsabilité nécessaires pour les systèmes d'IA en production. Il permet au modèle d'interpréter et d'appliquer dynamiquement des politiques spécifiques au domaine définies en langage naturel au moment de l'inférence.

Optimisation des Traces de Raisonnement

Bien que le raisonnement puisse introduire de la latence, Nemotron 3.5 optimise ce processus en condensant les chaînes de raisonnement en résumés concis, limitant ainsi les tokens de sortie pour augmenter l'efficacité. Cette optimisation se fait en deux étapes, similaires à celles réalisées dans le modèle prédécesseur Nemotron-Content-Safety-Reasoning-4B.

Sources de Données

Le jeu de données qui alimente Nemotron 3.5 est une évolution des mélanges multimodaux et multilingues utilisés pour Nemotron 3, avec des ajouts ciblant les capacités de raisonnement et de politique personnalisée. Les sources de données incluent des données de sécurité textuelles multilingues du Nemotron Safety Guard Dataset v3, des données multimodales annotées par des humains collectées en anglais par NVIDIA et traduites en 12 langues, ainsi que des traces de raisonnement dérivées des sorties de chaînes de pensée produites par des modèles enseignants plus grands.