AI-Modelle & Forschung
AI-Security-Modelle für lokale Entscheidungen.
Patronus entwickelt spezialisierte Modelle für Prompt Injection, sensible Daten, Dokumente und Agent-Aktionen. Sie laufen dort, wo KI genutzt wird, auf Rechnern, Servern und Nodes.
10.000+
Downloads pro Monat
> 40.000
Downloads insgesamt
6
offene Collections
Wolf Defender ist eingebaut in
Apache Cameloffizielles Modul seit Release 4.23
TrustyAIGuardrails gegen Prompt Injection, TrustyAI wird in Red Hat OpenShift AI unterstützt
AI-ParrotStandard-Detektor für Prompt Injection
Delphi Security xaIDRML-Sensor im Agent-Scanner
Personaxisprüft Tool-Ausgaben von Agenten
Wanakuauswählbarer Experte im Semantic Router
Mygentic CelloScreener im Agent-Gateway
Red Hat AI stellt Wolf Defender zusätzlich auf Hugging Face bereit.
Apache Camel, Apache und das Camel-Logo sind Marken der Apache Software Foundation. Red Hat und OpenShift sind Marken von Red Hat, Inc.
01 · Model Zoo
Acht Modelle. Jedes mit einer Aufgabe.
Jedes Modell ist auf eine konkrete Security-Aufgabe spezialisiert und läuft lokal. Patronus Ark verbindet die Repräsentationen der ersten sechs und führt nur die Prüfungen aus, die für eine Eingabe tatsächlich nötig sind.
WOLF DEFENDER
Wolf Defender Jev
Beantwortet Sicherheitsfragen zu Agent-Schritten mit einer Wahrscheinlichkeit pro Antwort.
Modell ansehen ↗CAT SHELL
Cat Shell Risk Commander
Markiert riskante Shell-Befehle und Skripte lokal auf der CPU.
Modell ansehen ↗02 · NTDB
NTDBs entscheiden, wann mehr Tiefe nötig ist.
Non-Transformer Decision Blocks verbinden die gemeinsame Modellrepräsentation mit kleinen neuronalen Heads, LightGBM, logistischer Regression und Klassen-Zentroiden. Daraus entsteht eine günstige Erstentscheidung für jeden Chunk.
Für jeden Chunk gibt es zwei Wege: Reicht das schnelle NTDB-Ergebnis, bleibt es dabei. Nur wenn zusätzlicher Kontext wahrscheinlich hilft, führt Lion Warden die tieferen Transformer-Schichten aus.
03 · Detection Engine
Drei Ebenen. Eine Entscheidung.
Die Pipeline kombiniert unterschiedliche Verfahren, statt jede Eingabe durch dasselbe große Modell zu schicken.
01
Heuristik-Detection-Engine
Deterministische Heuristiken und protokollbewusste Erkennungsregeln, nahezu sofortige Erkennung bekannter Muster, extrem niedrige Latenz ohne Modell-Inferenz.
02
Machine-Learning-Detection
Gradient-Boosted Decision Trees (LightGBM) bewerten strukturierte Risikosignale aus Prompts, Antworten, Tools und Agent-Aktivität, starke Performance, hocheffizient auf Endgeräten.
03
Transformer-Security-Modelle
Kompakte Transformer-Modelle, ausschließlich für Security-Klassifikation trainiert: BERT-artige Architekturen, optimiert für lokalen Einsatz und Echtzeit-Inferenz.
Security-Modelle für Laufzeit-Schutz.
Anders als generalistische Foundation-Modelle sind Patronus-Modelle gezielt für AI-Security, Governance und Laufzeit-Schutz gebaut. Die Detection-Engine kombiniert mehrere Analyse-Ebenen für schnelle und verlässliche Entscheidungen.
Ensemble-Architektur
Spezialisierte Erkennungs-Layer verbinden Heuristiken, Gradient-Boosted Trees, NTDBs und Transformer-Modelle.
Niedrige Latenz
Günstige Prüfungen entscheiden sofort. Aufwendigere Modell-Inferenz läuft nur für Eingaben, die zusätzlichen Kontext benötigen.
Lokale Inferenz
Die Analyse läuft auf Rechnern, Servern und Nodes. Inhalte müssen für die Security-Entscheidung nicht an einen weiteren Anbieter gesendet werden.
Multi-Task AI
Kein einzelnes Modell ist für jedes Security-Problem optimal.
Patronus routet Security-Aufgaben zu spezialisierten Erkennungs-Layern. Geteilte Repräsentationen reduzieren Speicherbedarf und Rechenaufwand, während einzelne Heads weiterhin gezielt auf ihre Aufgabe trainiert werden.
Geringerer Speicherbedarf
Mehrere Security-Aufgaben teilen sich zentrale Modellkomponenten.
Ensemble-Entscheidungen
Unterschiedliche Signale werden zu einer belastbareren Entscheidung verbunden.
Intelligentes Routing
Das Promote Gate führt nur passende Chunks durch die tieferen Transformer-Schichten.
04 · FAQ
Häufige Fragen zu den Modellen.
Was ist Wolf Defender?
Wolf Defender ist ein offenes AI-Security-Modell von Patronus für Prompt-Injection-Erkennung. Es ist auf Hugging Face verfügbar und für lokale Inferenz optimiert.
Was ist Wolf Defender Jev?
Wolf Defender Jev ist ein offenes Entscheidungsmodell für AI-Agent-Security. Es bekommt die Szene eines Agenten, eine Sicherheitsfrage und die möglichen Antworten und gibt für jede Antwort eine Wahrscheinlichkeit zurück. Es hat 151 Millionen Parameter, läuft auf der CPU und steht unter MIT-Lizenz.
Wie baue ich Wolf Defender Jev und das Decision Steering Gate in meine Anwendung ein?
Mit Decision Model Guard, unserem Open-Source-SDK: pip install decision-model-guard. Es legt das Decision Steering Gate um jedes Entscheidungsmodell, bringt Wolf Defender Jev und Wolf Defender als fertige Bausteine mit und läuft ohne PyTorch auf ONNX Runtime. Code und Doku liegen auf GitHub unter patronus-protect/decision-model-guard.
Was ist ein NTDB?
Ein Non-Transformer Decision Block nutzt die bereits berechnete Modellrepräsentation, verbindet sie mit kleinen Klassifikatoren und trifft eine günstige Erstentscheidung. So muss Lion Warden nicht jeden Chunk vollständig verarbeiten.
Wann läuft Lion Warden?
Das Promote Gate entscheidet pro Chunk, ob zusätzlicher Kontext die Entscheidung voraussichtlich verbessert. Nur diese Chunks laufen durch die tieferen Transformer-Schichten von Lion Warden.
Sendet Patronus Inhalte für die Inferenz in die Cloud?
Nein. Die Modelle sind für lokale Inferenz auf Rechnern, Servern und Nodes ausgelegt. Inhalte müssen für die Security-Entscheidung nicht an einen externen Model-Provider gesendet werden.
Wie werden die Modelle eingesetzt?
Patronus Ark stellt die gemeinsame Runtime für Rust und Python bereit. Patronus Protect nutzt dieselbe Technologie als Teil der fertigen Desktop- und Runtime-Produkte.
Nutzt Patronus ein LLM, um KI zu erkennen?
Nein. Die Erkennung arbeitet mit Signalen aus dem Netzwerkverkehr und mit kleinen, spezialisierten Klassifikationsmodellen wie Wolf Defender. Es wird kein Prompt an ein Sprachmodell geschickt, und Patronus erzeugt selbst keine Texte.
Schickt Patronus meine Prompts an OpenAI oder einen anderen Anbieter?
Nein. Die Prüfung läuft auf dem Gerät. Nur das, was deine Regeln erlauben, geht an das KI-Tool, das du selbst gewählt hast. An Patronus geht kein Inhalt.
Muss ich ChatGPT oder Copilot durch etwas anderes ersetzen?
Nein. Du nutzt deine Tools weiter wie bisher. Patronus sitzt auf dem Rechner davor und macht die Nutzung sichtbar, Protect prüft zusätzlich Inhalte und Aktionen.
Ist Patronus ein VPN oder ein Proxy?
Nein. Patronus läuft als Software auf dem Gerät im Netzwerkpfad. Der Datenverkehr nimmt keinen Umweg über fremde Server, und es gibt keinen zentralen Punkt, der ausfallen kann.
Sieht mein Arbeitgeber, was ich der KI schreibe?
Inhalte bleiben auf dem Gerät. Zentral können nur Metadaten ankommen: welches Tool, welche Kategorie, welche Entscheidung. Ob und wie diese Metadaten ausgewertet werden, legt euer Unternehmen fest.
Funktioniert Patronus auch mit lokalen Modellen wie Ollama?
Ja. Die Erkennung arbeitet am Verhalten der Verbindung, nicht am Namen des Anbieters. Lokale Modelle, interne Dienste und neue Tools werden genauso erfasst wie die großen Anbieter.
Brauche ich eine Internetverbindung?
Nein. Erkennung, Prüfung und Entscheidung laufen offline auf dem Rechner. Das gilt auch für abgeschottete Netze.
Bremst Patronus meinen Rechner aus?
Die Modelle sind auf ihre Aufgabe zugeschnitten: unter 10 ms je Erkennung und unter 100 MB Arbeitsspeicher. Im Chat ist kein Unterschied spürbar.
Research
Research hinter den Modellen.
Architektur, Benchmarks und Entscheidungen hinter Patronus Ark und der lokalen Modell-Runtime.
Wolf Defender Jev: ein Jev-like Entscheidungsmodell für AI-Agent-SecurityOct 13, 2026 · 10 minLesen →Gefährliche Shell-Befehle erkennenOct 7, 2026 · 16 minLesen →Wie NTDBs ohne Transformer entscheidenSep 12, 2026 · 10 minLesen →Wie Patronus Ark KI-Security-Inferenz in Echtzeit auf einer CPU ausführtAug 31, 2026 · 14 minLesen →Unser AI-Security-Model-Zoo ist jetzt Open SourceJul 21, 2026 · 7 minLesen →Wolf Defender v2: Prompt-Injection-Erkennung auf dem GerätSep 7, 2026 · 8 minLesen →