结论先说：Llama Guard 4 是 Meta 开源的 12B 多模态安全分类器，用来判断“用户输入”和“模型输出”是否落入 S1–S14 危害类别；Llama Prompt Guard 2（86M / 22M）是更轻量的二分类器，专门识别提示词注入与越狱意图。出海企业最常见的做法是：Prompt Guard 2 放在最前面挡注入 → 主模型 → Llama Guard 4 审输出，再加日志与人工复核。两者都只是概率模型，不能替代权限隔离。 安全说明：本文只讲防护与评估，不提供任何越狱提示词、可复制攻击载荷或提示词包链接；仅测试你拥有或获得授权的系统。 一、Llama Guard 与 Prompt Guard 分别是什么 1.1 Llama Guard 4：内容安全分类器 根据 Llama Guard 4 官方模型卡，它是从 Llama 4 Scout 剪枝而来的 12B 稠密模型，原生支持文本+多张图片，可对 LLM 输入（prompt classification）和输出（response classification）分别分类，输出 safe/unsafe 以及违反的类别编号。类别基于 MLCommons 危害分类法，另加“代码解释器滥用”。 1.2 Prompt Guard 2：注入/越狱检测小模型 Prompt Guard 2 模型卡 显示有 86M 与 22M 两个版本，输出 benign / malicious；86M 多语言效果更好，22M 更快更便宜；上下文窗口 512 token，长文本需分段扫描。 二、S1–S14 危害类别对照表（可引用） 编号类别（官方英文）出海业务常见触发场景S1Violent Crimes客服被诱导输出暴力内容S2Non-Violent Crimes诈骗、洗钱、黑客类请求S3Sex-Related Crimes—S4Child Sexual Exploitation必须零容忍拦截S5Defamation生成竞品虚假负面S6Specialized Advice金融/医疗/法律建议（金融、保健品客户重点）S7Privacy泄露用户订单、地址S8Intellectual Property仿冒品牌文案S9Indiscriminate Weapons—S10Hate多语言评论区S11Suicide & Self-Harm心理健康类应用S12Sexual Content社交/陪聊类应用S13Elections政治广告相关S14Code Interpreter...