Shieldstral-1.0-3B

采用判断：如果你需要可本地运行、能随时更换审核规则的轻量级安全门，Shieldstral 值得小规模试用；如果你要的是已经在真实业务中充分验证的托管审核服务，则目前证据不足。它更适合作为 AI 应用或 Agent 前后的策略检查层，而不是直接替代完整的内容安全运营体系。

实际作用是把审核政策写成自然语言问题，对纯文本、纯图片和图文混合输入给出安全判断；社媒示例还提到可输出 yes/no 概率。知乎文章称其使用约 450 万条多模态训练样本，并转述 HarmBench 99.4% 等结果，但这些属于公开材料或作者报告，尚无足够独立实测支持，不能直接等同于生产准确率。vLLM 项目账号表示已提供 day-0 支持，说明推理生态有较快响应。

它是 3B 开放权重模型，优势可能是部署规模和策略迭代门槛低于大型模型；但仍需自行准备推理服务、显存、并发控制、策略测试和误报漏报处理。证据中没有官方定价或 API 费用信息；“一张 16GB NVIDIA 卡可运行”来自单条社媒说法，只能视为社区演示，不能当作稳定硬件承诺。软件许可等细节也应以模型页为准。

它适合需要本地处理数据、希望自定义审核政策的开发者、Agent 构建者和研究者，不适合缺少评测与安全运营能力、或要求零配置合规保障的团队。它不是托管审核 SaaS、也不是只识别图片标签的视觉分类器；更准确的类比是一个可编程的本地多模态安全分类器或 Agent 防火墙。当前讨论热度主要由 16 条 X 提及、转发和浏览带来，热度证明明显；证据中实测较少、长文有限、榜单/快讯和转发较多，且已有“实际场景尚未全面验证”的谨慎意见，因此好用证明仍属样本有限。