---
title: "Safety Map: 39 LLM और संवेदनशील डेटा (BroadNet) | BroadRouter"
description: "BroadNet ने 14 लैब के 39 LLM को credentials, PII, हेल्थ और वित्तीय डेटा पर परखा: क्या transfer हुआ, क्या नहीं, और tool call व रीज़निंग से हुए लीक।"
url: https://broadrouter.com/hi/blog/llm-safety-map-39-models/
lang: hi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/blog/llm-safety-map-39-models/) (2026-11-16 को अपडेट किया गया).

# Safety Map: 39 LLM संवेदनशील डेटा को कैसे संभालते हैं

BroadNet Inference टीम · 3 मिनट में पढ़ें · प्रकाशित 2026-11-15 · अपडेट किया गया 2026-11-16

Safety Map, अप्रैल 2026 का BroadNet का एक preprint है (DOI 10.5281/zenodo.19688433)। इसमें 14 लैब के 39 मॉडल को credentials, PII, हेल्थ डेटा, अकाउंट नंबर और DLP स्कैनिंग पर 7 probe से, लगभग 1,300 multi-run evaluation में परखा गया। सुरक्षा कैटेगरी या आउटपुट चैनल के बीच transfer नहीं हुई: tool-call arguments भरने वाले 73 में से 20 रन ने उनके ज़रिए डेटा लीक किया।

## मुख्य बातें

-   Zenodo पर preprint, DOI 10.5281/zenodo.19688433, 22 अप्रैल 2026, CC BY 4.0। peer-review नहीं हुआ।
-   39 मॉडल, 14 लैब, 7 probe परिदृश्य, संवेदनशील डेटा की 5 कैटेगरी, लगभग 1,300 multi-run evaluation।
-   तीन धुरियाँ एक-दूसरे पर जुड़ती हैं: आर्किटेक्चर, मॉडल की पीढ़ी और लैब का alignment निवेश। अकेले कोई भी सुरक्षा का अनुमान नहीं देती।
-   आउटपुट चैनल अलग-अलग लीक करते हैं: 73 में से 20 tool-call रन और 43 में से 29 रीज़निंग रन में संवेदनशील वैल्यू थीं।
-   BroadNet ने इन नतीजों से LSDF बनाया, OpenAI-compatible ट्रैफ़िक के लिए एक ओपन-सोर्स (Apache-2.0) फ़ायरवॉल।

**इस पेज पर**

1.  सर्वे में क्या शामिल था?
2.  मुख्य नतीजे क्या हैं?
3.  अपने स्टैक में क्या बदलें?
4.  LSDF क्या है?
5.  सीमाएँ क्या हैं?

Safety Map, BroadNet का यह सर्वे है कि बड़े भाषा मॉडल संवेदनशील डेटा को कैसे संभालते हैं। preprint, _The Safety Map: What Does and Doesn’t Transfer in LLM Sensitive-Data Handling_, 22 अप्रैल 2026 को Zenodo पर DOI [10.5281/zenodo.19688433](https://doi.org/10.5281/zenodo.19688433) के तहत प्रकाशित हुआ, और इसके लेखक Mohammad Al Zubaidi हैं। यह BroadNet के [संवेदनशील डेटा evaluation तरीक़े](https://broadrouter.com/hi/blog/llm-sensitive-data-safety-evaluation-method/) का साथी पेपर है।

आगे जो है, वह abstract और BroadNet के रिसर्च पेज का हमारा सारांश है। फ़ैसले BroadNet के हैं।

## सर्वे में क्या शामिल था?

| पहलू | दायरा |
| --- | --- |
| मॉडल | 39, 14 स्वतंत्र लैब से |
| probe परिदृश्य | 7 |
| कैटेगरी | credentials, PII, protected health information (PHI), वित्तीय अकाउंट नंबर, data-loss-prevention (DLP) स्कैनिंग |
| सबूत | लगभग 1,300 multi-run evaluation से 135+ वर्गीकृत मॉडल-probe जोड़े |

BroadNet का कैटलॉग कहता है कि उसने लगभग 90 रिमोट और API मॉडल, जिन्हें उसने कभी अपने हार्डवेयर पर नहीं चलाया, अपने सुरक्षा, रूटिंग और अरबी टेस्ट हार्नेस से गुज़ारे हैं, और वे नतीजे इस मैप में शामिल हैं।

## मुख्य नतीजे क्या हैं?

**सुरक्षा एक सतह है, एक स्कोर नहीं।** यह तीन धुरियों पर बदलती है, जो एक-दूसरे पर जुड़ती हैं:

-   **आर्किटेक्चर।** पेपर credentials पर, अलग-अलग रूटिंग डिज़ाइन में, लगभग 24B active पैरामीटर की capacity floor बताता है, जिसका मुख्य उदाहरण कम active पैरामीटर वाले mixture-of-experts मॉडल हैं।
-   **पीढ़ी।** alignment की गुणवत्ता एक ही मॉडल फ़ैमिली के अंदर सीमा खिसका देती है।
-   **लैब का alignment निवेश।** किसी जानी-मानी लैब का flagship लेबल गारंटी नहीं है।

तीनों में से कोई भी अकेले सुरक्षा का अनुमान नहीं देती; वे मिलकर असर डालती हैं।

**सुरक्षा कैटेगरी के बीच transfer नहीं होती।** credentials और Social Security नंबर को साफ़-सुथरे ढंग से संभालना उसी मॉडल में नाम, हेल्थ रिकॉर्ड या अकाउंट नंबर तक नहीं पहुँचा।

**आउटपुट चैनल अलग-अलग लीक करते हैं।** व्यवहार में सबसे ज़्यादा वज़न इसी नतीजे का है:

-   जिन 73 रन ने `tool_calls.arguments` भरे, उनमें से 20 ने tool call के ज़रिए संवेदनशील वैल्यू भेजीं। उन रन के पीछे के मॉडलों में Moonshot का Kimi K2.6 था, जिसे उसकी रिलीज़ के दिन परखा गया, और जिसे पेपर बाक़ी मामलों में credentials, PII, वित्तीय डेटा और DLP पर multi-run सुरक्षित मानता है।
-   जिन 43 रन में प्रोवाइडर ने `reasoning_content` को कम से कम 20 कैरेक्टर से भरा, उनमें से 29 ने रीज़निंग में संवेदनशील वैल्यू लीक कीं, जबकि चैट जवाब को सुरक्षित, छूटा हुआ या कटा हुआ आँका गया।

**pruning सुरक्षा तोड़ सकती है।** Meta की Llama लाइन के दो स्वतंत्र pruned वर्शन, जिन्हें NVIDIA ने neural architecture search से बनाया, ने अलग-अलग आउटपुट चैनल से हेल्थ डेटा की सुरक्षा तोड़ी।

पेपर पाँच स्तर की रैंकिंग के साथ ख़त्म होता है। उसका सबसे ऊपर का क्लस्टर, जो परखी गई हर कैटेगरी में एक समान सुरक्षित रहा, Claude Opus 4.7, GPT-5.4 और GPT-5.4-mini, Gemini 3 Flash और Gemini 3.1 Pro है। abstract कहता है कि xAI Grok और Meta Llama के flagship उस क्लस्टर में नहीं आते।

## अपने स्टैक में क्या बदलें?

1.  **हर चैनल फ़िल्टर करें।** दिखने वाले जवाब की जाँच tool-call arguments और रीज़निंग फ़ील्ड छोड़ देती है। अगर आप [tool calling](https://broadrouter.com/hi/glossary/tool-calling/) या रीज़निंग मॉडल इस्तेमाल करते हैं, तो दोनों जाँचें।
2.  **कैटेगरी के हिसाब से टेस्ट करें।** credentials पर साफ़ नतीजा हेल्थ या सैलरी डेटा के बारे में कुछ नहीं बताता।
3.  **मॉडल अपडेट पर फिर टेस्ट करें।** Kimi K2.6 वाला नतीजा रिलीज़ के दिन वाले मॉडल से आया।
4.  **जहाँ हो सके, पहले redact करें।** मॉडल वह लीक नहीं कर सकता जो उसने कभी देखा ही नहीं। हमारी [संवेदनशील डेटा गाइड](https://broadrouter.com/hi/blog/llm-api-sensitive-data/) Python में placeholder से redaction दिखाती है।

## LSDF क्या है?

LSDF, यानी LLM Sensitive Data Firewall, वह कंट्रोल है जो BroadNet ने इन दो पेपर से बनाया और Apache-2.0 के तहत [github.com/brntech/lsdf](https://github.com/brntech/lsdf) पर ओपन सोर्स के रूप में जारी किया। यह OpenAI-compatible chat completions API के लिए एक reverse proxy है: आप अपने क्लाइंट का base URL इस पर सेट करते हैं, और यह आपके मॉडल सर्वर या प्रोवाइडर तक आगे भेजता है। BroadNet कहता है कि यह अनुरोध, रिस्पॉन्स, स्ट्रीम किए गए chunk, स्ट्रीम किए गए tool-call arguments, लाए गए कॉन्टेक्स्ट और रीज़निंग फ़ील्ड जाँचता है, और ट्रेस और लॉग को अलग से साफ़ करता है।

BroadNet का मई 2026 का evaluation, उसके अपने corpora पर, यह recall बताता है:

| डिटेक्टर स्टैक | Credential replay | Clinical PHI | Broad English PII |
| --- | --- | --- | --- |
| सिर्फ़ regex | 0.944 | 0.019 | 0.208 |
| Microsoft Presidio | 0.194 | 0.056 | 0.326 |
| LSDF broad-PII डिटेक्टर | 1.000 | 0.944 | 0.685 |

ये एक वेंडर के अपने टूल के नंबर हैं, उसके चुने हुए corpora पर। शुरुआती बिंदु के रूप में ये काम के हैं, और रिपॉज़िटरी में replay शामिल है ताकि आप इन्हें जाँच सकें। LSDF किसी भी मॉडल के आगे काम करता है, उनके भी जिन्हें BroadNet होस्ट नहीं करता।

## सीमाएँ क्या हैं?

पेपर एक preprint है, peer-review नहीं हुआ। BroadNet की ज़िम्मेदार प्रकाशन नीति के तहत सटीक prompt, credential फ़ॉर्मैट और threshold सार्वजनिक वर्शन से हटाए गए हैं, और अनुरोध पर मॉडल प्रोवाइडरों और रिसर्चरों से शेयर किए जाते हैं। मॉडल वर्शन तेज़ी से बदलते हैं, इसलिए अप्रैल 2026 का फ़ैसला टेस्ट करने की वजह है, टेस्ट का विकल्प नहीं।

इस विषय के मुफ़्त टूल (अंग्रेज़ी में)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[मुफ़्त टूल (अंग्रेज़ी में)](https://broadrouter.com/tools/)

## इस लेख के शब्द

[PII (personally identifiable information)](https://broadrouter.com/hi/glossary/pii/)

PII (personally identifiable information) वह जानकारी है जिससे किसी व्यक्ति की पहचान अलग की या खोजी जा सके, जैसे नाम, ID नंबर या बायोमेट्रिक रिकॉर्ड, साथ ही उस व्यक्ति से जुड़ी या जोड़ी जा सकने वाली दूसरी जानकारी। GDPR का व्यापक शब्द personal data है। LLM में PII redaction इसे सिस्टम से निकलने से पहले प्रॉम्प्ट से हटाता है।

[टूल कॉलिंग (tool calling)](https://broadrouter.com/hi/glossary/tool-calling/)

टूल कॉलिंग, जिसे function calling भी कहते हैं, LLM API की वह सुविधा है जिसमें मॉडल डेवलपर के तय किए किसी फ़ंक्शन को चलाने का एक स्ट्रक्चर्ड अनुरोध, JSON आर्ग्युमेंट के साथ, लौटाता है। ऐप्लिकेशन फ़ंक्शन चलाकर नतीजा वापस भेजता है; मॉडल ख़ुद कभी कोड नहीं चलाता।

[base URL](https://broadrouter.com/hi/glossary/base-url/)

base URL किसी API का तय मूल पता है, जैसे https://api.example.com/v1, जिसे क्लाइंट /chat/completions जैसे हर एंडपॉइंट पाथ के आगे जोड़ता है। OpenAI-compatible SDK में base URL को API key और मॉडल ID के साथ बदलने से वही कोड किसी दूसरे प्रोवाइडर से जुड़ जाता है।

[Chat Completions API](https://broadrouter.com/hi/glossary/chat-completions-api/)

Chat Completions API, OpenAI का HTTP एंडपॉइंट POST /v1/chat/completions है, जो एक मॉडल का नाम और रोल वाले मैसेज की सूची लेता है और मॉडल का अगला मैसेज लौटाता है। इसके अनुरोध और जवाब का ढाँचा वह आम फ़ॉर्मैट बन गया जिसे OpenAI-कम्पैटिबल प्रोवाइडर और SDK अपनाते हैं।

[Mixture of experts (MoE)](https://broadrouter.com/hi/glossary/mixture-of-experts/)

Mixture of experts (MoE) एक न्यूरल नेटवर्क डिज़ाइन है जिसमें एक layer में कई expert सब-नेटवर्क होते हैं और एक सीखा हुआ router हर टोकन को उनमें से सिर्फ़ कुछ के पास भेजता है। MoE लैंग्वेज मॉडल के कुल पैरामीटर बहुत होते हैं, लेकिन हर टोकन पर वह एक छोटा active हिस्सा ही इस्तेमाल करता है।

[मॉडल लाइसेंस (model license)](https://broadrouter.com/hi/glossary/model-license/)

मॉडल लाइसेंस वे क़ानूनी शर्तें हैं जिनके तहत किसी मॉडल के weights, कोड और आउटपुट इस्तेमाल, बदले और साझा किए जा सकते हैं। ओपन-वेट मॉडल Apache 2.0 या MIT जैसे आम सॉफ़्टवेयर लाइसेंस, या कस्टम मॉडल लाइसेंस इस्तेमाल करते हैं, जो बड़ी कमर्शियल सेवाओं पर सीमा जैसी शर्तें जोड़ सकते हैं।

## अक्सर पूछे जाने वाले सवाल

### Safety Map में किन मॉडल ने सबसे अच्छा किया?

abstract सबसे ऊपर एक frontier-alignment क्लस्टर रखता है, जो परखी गई हर कैटेगरी में एक समान सुरक्षित रहा: Claude Opus 4.7, GPT-5.4 और GPT-5.4-mini, Gemini 3 Flash और Gemini 3.1 Pro। Claude Sonnet 4.6 ठीक नीचे है, 15 रन में हेल्थ डेटा के एक लीक के साथ, जिसमें सिर्फ़ जन्मतिथि थी।

### जो मॉडल कभी API key लीक नहीं करता, क्या वह मरीज़ों के डेटा के साथ सुरक्षित है?

ज़रूरी नहीं। पेपर ने पाया कि सुरक्षा कैटेगरी के हिसाब से अलग हो जाती है: जिस मॉडल ने credentials, Social Security नंबर और डेटाबेस पासवर्ड बचाए, वह फिर भी हर रन में एक सैलरी दस्तावेज़ के कर्मचारियों के नाम बता सकता था।

### tool call क्यों मायने रखते हैं?

क्योंकि कई फ़िल्टर सिर्फ़ चैट जवाब जाँचते हैं। जिन 73 रन में मॉडल ने tool-call arguments भरे, उनमें से 20 ने उस चैनल से संवेदनशील वैल्यू भेजीं, एक ऐसे मॉडल में भी जो बाक़ी मामलों में multi-run सुरक्षित था।

### क्या छोटे mixture-of-experts मॉडल ज़्यादा लीक करते हैं?

पेपर credentials पर लगभग 24B active पैरामीटर की एक capacity floor बताता है, जो मुख्य रूप से कम active पैरामीटर वाले mixture-of-experts डिज़ाइन में दिखती है। BroadNet की practitioner पोस्ट कहती है कि उसे अब तक 24B से कम active पैरामीटर वाला ऐसा कोई MoE मॉडल नहीं मिला जो उसके structured-data probe पर लीक न करे।

### क्या BroadNet Inference के मॉडल Safety Map में हैं?

abstract उनके लिए मॉडल-दर-मॉडल फ़ैसले लिस्ट नहीं करता, और preprint अप्रैल 2026 का है, इसलिए बाद में रिलीज़ हुआ मॉडल उसमें नहीं हो सकता। Gemma 4 VL 26B में लगभग 4B active पैरामीटर हैं, इसलिए अगर वह credentials या निजी डेटा देखेगा, तो उसे अपने संवेदनशील-डेटा probe पर परखें, या भेजने से पहले redact करें।

## आगे पढ़ें

-   [संवेदनशील डेटा की सुरक्षा के लिए LLM को कैसे परखें: BroadNet का तरीक़ा](https://broadrouter.com/hi/blog/llm-sensitive-data-safety-evaluation-method/)
-   [LLM API को संवेदनशील डेटा भेजना: redact करें, कम भेजें, कम लॉग करें](https://broadrouter.com/hi/blog/llm-api-sensitive-data/)
-   [ओपन मॉडल के साथ टूल कॉलिंग: स्कीमा, पैरेलल कॉल, रीट्राई](https://broadrouter.com/hi/blog/tool-calling-open-models/)
-   [रीज़निंग टोकन: दिखने से ज़्यादा आउटपुट का भुगतान क्यों होता है](https://broadrouter.com/hi/blog/reasoning-tokens-cost/)
-   [मिस्र का डेटा सुरक्षा क़ानून (Law 151 of 2020) और LLM API](https://broadrouter.com/hi/blog/egypt-data-protection-law-llm-api/)
-   [सऊदी और UAE PDPL और LLM API: cross-border डेटा ट्रांसफ़र चेकलिस्ट](https://broadrouter.com/hi/blog/saudi-uae-pdpl-llm-api-checklist/)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

[शुरू करें](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-llm-safety-map-39-models&utm_content=page-cta) ·

**स्रोत**

-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, Zenodo preprint, 2026-04-22 (रिकॉर्ड 2026-11-15 को देखा गया)](https://doi.org/10.5281/zenodo.19688433)
-   [BroadNet Research: Safety Map के मुख्य नतीजे (2026-11-15 को देखा गया) (अंग्रेज़ी में)](https://www.broadnet.ai/research)
-   [BroadNet ब्लॉग, The firewall behind our LLM safety research is now open source (9 सितंबर 2026; 2026-11-15 को देखा गया) (अंग्रेज़ी में)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [LSDF रिपॉज़िटरी, Apache-2.0 (2026-11-15 को देखा गया)](https://github.com/brntech/lsdf)
-   [BroadNet मॉडल कैटलॉग: बेंचमार्क किए गए रिमोट और API मॉडल (2026-11-15 को देखा गया) (अंग्रेज़ी में)](https://www.broadnet.ai/inference/models)
