---
title: "Safety Map: 39 LLMs e dados sensíveis (BroadNet) | BroadRouter"
description: "A BroadNet avaliou 39 LLMs de 14 laboratórios em credenciais, PII, saúde e finanças: o que se transferiu, o que não e os vazamentos em tool calls e no raciocínio."
url: https://broadrouter.com/pt/blog/llm-safety-map-39-models/
lang: pt-BR
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/blog/llm-safety-map-39-models/) (atualizado em 2026-11-16).

# O Safety Map: como 39 LLMs lidam com dados sensíveis

Pela equipe da BroadNet Inference · 3 min de leitura · Publicado em 2026-11-15 · Atualizado em 2026-11-16

O Safety Map é um preprint da BroadNet de abril de 2026 (DOI 10.5281/zenodo.19688433). Ele testou 39 modelos de 14 laboratórios em 7 sondas sobre credenciais, PII, dados de saúde, números de conta e varredura DLP, em cerca de 1.300 avaliações com várias execuções. A segurança não se transferiu entre categorias nem entre canais de saída: 20 de 73 execuções que preencheram argumentos de tool call vazaram dados por ali.

## Pontos principais

-   Preprint no Zenodo, DOI 10.5281/zenodo.19688433, 22 de abril de 2026, CC BY 4.0. Sem revisão por pares.
-   39 modelos, 14 laboratórios, 7 cenários de sonda, 5 categorias de dados sensíveis, cerca de 1.300 avaliações com várias execuções.
-   Três eixos se somam: arquitetura, geração do modelo e o investimento do laboratório em alinhamento. Nenhum prevê a segurança sozinho.
-   Os canais de saída vazam de forma independente: 20 de 73 execuções com tool call e 29 de 43 com raciocínio carregaram valores sensíveis.
-   A BroadNet transformou os resultados no LSDF, um firewall open source (Apache-2.0) para tráfego compatível com a OpenAI.

**Nesta página**

1.  O que o levantamento cobriu?
2.  Quais são os principais resultados?
3.  O que mudar na sua stack?
4.  O que é o LSDF?
5.  Quais são os limites?

O Safety Map é o levantamento da BroadNet sobre como os grandes modelos de linguagem lidam com dados sensíveis. O preprint, _The Safety Map: What Does and Doesn’t Transfer in LLM Sensitive-Data Handling_, foi publicado no Zenodo em 22 de abril de 2026 com o DOI [10.5281/zenodo.19688433](https://doi.org/10.5281/zenodo.19688433), tendo Mohammad Al Zubaidi como autor. Ele acompanha o [método de avaliação de dados sensíveis](https://broadrouter.com/pt/blog/llm-sensitive-data-safety-evaluation-method/) da BroadNet.

O que segue é o nosso resumo do abstract e da página de pesquisa da BroadNet. Os vereditos são da BroadNet.

## O que o levantamento cobriu?

| Dimensão | Cobertura |
| --- | --- |
| Modelos | 39, de 14 laboratórios independentes |
| Cenários de sonda | 7 |
| Categorias | Credenciais, PII, informações de saúde protegidas (PHI), números de contas financeiras, varredura de prevenção contra perda de dados (DLP) |
| Evidências | Mais de 135 combinações modelo-sonda classificadas, a partir de cerca de 1.300 avaliações com várias execuções |

O catálogo da BroadNet diz que ela passou cerca de 90 modelos remotos e via API, que nunca rodou no próprio hardware, pelos seus bancos de testes de segurança, roteamento e árabe, e que esses resultados alimentam este mapa.

## Quais são os principais resultados?

**Segurança é uma superfície, não uma nota única.** Ela varia em três eixos que se somam:

-   **Arquitetura.** O artigo relata um piso de capacidade de cerca de 24B de parâmetros ativos para credenciais, em diferentes designs de roteamento, com os modelos mixture of experts de poucos parâmetros ativos como caso principal.
-   **Geração.** A qualidade do alinhamento desloca a fronteira dentro de uma mesma família de modelos.
-   **Investimento do laboratório em alinhamento.** O rótulo de modelo carro-chefe de um laboratório conhecido não é garantia.

Nenhum dos três prevê a segurança sozinho; eles se combinam.

**A segurança não se transfere entre categorias.** Lidar bem com credenciais e Social Security numbers não se refletiu, no mesmo modelo, em nomes, prontuários médicos ou números de conta.

**Os canais de saída vazam de forma independente.** É o resultado com mais peso prático:

-   De 73 execuções que preencheram `tool_calls.arguments`, 20 enviaram valores sensíveis pela tool call. Entre os modelos por trás dessas execuções estava o Kimi K2.6 da Moonshot, testado no dia do lançamento, um modelo que o artigo classifica como seguro em várias execuções em todo o resto, para credenciais, PII, dados financeiros e DLP.
-   De 43 execuções em que o provedor preencheu `reasoning_content` com pelo menos 20 caracteres, 29 vazaram valores sensíveis no raciocínio enquanto a resposta do chat era classificada como segura, ausente ou truncada.

**Poda pode quebrar a segurança.** Duas versões podadas independentes da linha Llama da Meta, feitas pela NVIDIA com neural architecture search, quebraram a segurança com dados de saúde por canais de saída diferentes.

O artigo termina com um ranking de cinco níveis. O grupo do topo, uniformemente seguro em todas as categorias testadas, reúne Claude Opus 4.7, GPT-5.4 e GPT-5.4-mini, Gemini 3 Flash e Gemini 3.1 Pro. O resumo diz que os carros-chefes do xAI Grok e do Meta Llama não entram nesse grupo.

## O que mudar na sua stack?

1.  **Filtre todos os canais.** Uma checagem na resposta visível não pega argumentos de tool call nem campos de raciocínio. Se você usa [tool calling](https://broadrouter.com/pt/glossary/tool-calling/) ou um modelo de raciocínio, inspecione os dois.
2.  **Teste por categoria.** Um resultado limpo em credenciais não diz nada sobre dados de saúde ou de salários.
3.  **Teste de novo a cada atualização do modelo.** O resultado do Kimi K2.6 veio de um modelo no dia do lançamento.
4.  **Mascare antes, quando puder.** Um modelo não vaza o que nunca viu. O nosso [guia de dados sensíveis](https://broadrouter.com/pt/blog/llm-api-sensitive-data/) mostra o mascaramento com placeholders em Python.

## O que é o LSDF?

O LSDF, LLM Sensitive Data Firewall, é o controle que a BroadNet construiu a partir desses dois artigos e liberou como open source sob Apache-2.0 em [github.com/brntech/lsdf](https://github.com/brntech/lsdf). É um proxy reverso para a API de chat completions compatível com a OpenAI: você aponta a base URL do seu cliente para ele, e ele encaminha para o seu servidor de modelos ou provedor. Segundo a BroadNet, ele inspeciona requisições, respostas, chunks em streaming, argumentos de tool call em streaming, contexto recuperado e campos de raciocínio, e higieniza traces e logs separadamente.

A avaliação da BroadNet de maio de 2026, nos próprios corpora, informa este recall:

| Pilha de detectores | Replay de credenciais | PHI clínico | PII amplo em inglês |
| --- | --- | --- | --- |
| Só regex | 0,944 | 0,019 | 0,208 |
| Microsoft Presidio | 0,194 | 0,056 | 0,326 |
| Detectores de PII amplo do LSDF | 1,000 | 0,944 | 0,685 |

São números de um fornecedor sobre a própria ferramenta, em corpora escolhidos por ele. Servem como ponto de partida, e o repositório inclui o replay para você conferir. O LSDF funciona na frente de qualquer modelo, inclusive os que a BroadNet não hospeda.

## Quais são os limites?

O artigo é um preprint, sem revisão por pares. Pela política de publicação responsável da BroadNet, prompts exatos, formatos de credenciais e limiares ficam fora da versão pública e são compartilhados com provedores de modelos e pesquisadores mediante pedido. As versões dos modelos mudam rápido, então um veredito de abril de 2026 é motivo para testar, não um substituto para o teste.

Ferramentas gratuitas sobre o tema (em inglês)

-   [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.

[Ferramentas gratuitas (em inglês)](https://broadrouter.com/tools/)

## Termos neste artigo

[PII (informações pessoais identificáveis)](https://broadrouter.com/pt/glossary/pii/)

PII (personally identifiable information) é a informação que permite distinguir ou rastrear a identidade de uma pessoa, como nome, número de documento ou registro biométrico, mais outras informações ligadas ou vinculáveis a ela. O termo mais amplo do GDPR é dados pessoais. Com LLMs, a anonimização de PII remove esses dados dos prompts antes que saiam dos seus sistemas.

[Streaming](https://broadrouter.com/pt/glossary/streaming/)

Streaming é uma forma de devolver a resposta de um modelo de linguagem em pequenos pedaços enquanto ela ainda está sendo gerada, em vez de uma resposta única no final. APIs compatíveis com a OpenAI fazem streaming via server-sent events quando a requisição define stream como true.

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

Mixture of experts (MoE) é uma arquitetura de rede neural em que uma camada contém muitas sub-redes especialistas e um roteador aprendido envia cada token para apenas algumas delas. Um modelo de linguagem MoE tem um número total de parâmetros grande, mas usa um pequeno subconjunto ativo para cada token.

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

A base URL é o endereço raiz fixo de uma API, como https://api.example.com/v1, que um cliente coloca antes de cada caminho de endpoint, como /chat/completions. Nos SDKs compatíveis com a OpenAI, trocar a base URL, junto com a chave de API e o ID do modelo, aponta o mesmo código para outro provedor.

[Tool calling (chamada de ferramentas)](https://broadrouter.com/pt/glossary/tool-calling/)

Tool calling, também chamado de function calling ou chamada de ferramentas, é um recurso de APIs de LLM em que o modelo devolve um pedido estruturado para executar uma função definida pelo desenvolvedor, com argumentos JSON. A aplicação executa a função e devolve o resultado; o modelo nunca executa código sozinho.

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

A Chat Completions API é o endpoint HTTP da OpenAI, POST /v1/chat/completions, que recebe o nome de um modelo e uma lista de mensagens marcadas com papéis e devolve a próxima mensagem do modelo. O formato da requisição e da resposta virou o padrão comum que provedores e SDKs compatíveis com a OpenAI reutilizam.

[Licença do modelo (model license)](https://broadrouter.com/pt/glossary/model-license/)

A licença de um modelo são os termos legais sob os quais os pesos, o código e as saídas de um modelo podem ser usados, alterados e compartilhados. Modelos open-weight usam licenças de software padrão, como Apache 2.0 ou MIT, ou licenças próprias que podem acrescentar condições, como limites para grandes serviços comerciais.

## Perguntas frequentes

### Quais modelos se saíram melhor no Safety Map?

O resumo coloca no topo um grupo de alinhamento de fronteira, uniformemente seguro em todas as categorias testadas: Claude Opus 4.7, GPT-5.4 e GPT-5.4-mini, Gemini 3 Flash e Gemini 3.1 Pro. O Claude Sonnet 4.6 fica logo abaixo, com um único vazamento de dado de saúde, só a data de nascimento, em 15 execuções.

### Um modelo que nunca vaza chaves de API é seguro com dados de pacientes?

Não necessariamente. O artigo constatou que a segurança se dissocia por categoria: um modelo que protegia credenciais, Social Security numbers e senhas de banco de dados ainda podia citar nomes de funcionários num documento de salários em todas as execuções.

### Por que as tool calls importam?

Porque muitos filtros só checam a resposta do chat. De 73 execuções em que o modelo preencheu argumentos de tool call, 20 enviaram valores sensíveis por esse canal, inclusive num modelo que era seguro em várias execuções em todo o resto.

### Modelos mixture of experts pequenos vazam mais?

O artigo relata um piso de capacidade de cerca de 24B de parâmetros ativos para credenciais, com os designs mixture of experts de poucos parâmetros ativos como principal expressão disso. O post prático da BroadNet diz que ela ainda não encontrou um modelo MoE abaixo de 24B de parâmetros ativos que não vaze nas suas sondas de dados estruturados.

### Os modelos da BroadNet Inference estão no Safety Map?

O resumo não traz vereditos por modelo para eles, e o preprint é de abril de 2026, então um modelo lançado depois não pode estar nele. O Gemma 4 VL 26B tem cerca de 4B de parâmetros ativos, então teste-o com as suas próprias sondas de dados sensíveis, ou mascare os dados antes de enviar, se ele for ver credenciais ou dados pessoais.

## Continue lendo

-   [Como testar a segurança de um LLM com dados sensíveis: método BroadNet](https://broadrouter.com/pt/blog/llm-sensitive-data-safety-evaluation-method/)
-   [Dados sensíveis numa API de LLM: mascare, minimize, registre menos](https://broadrouter.com/pt/blog/llm-api-sensitive-data/)
-   [Tool calling com modelos abertos: schemas, chamadas paralelas, retry](https://broadrouter.com/pt/blog/tool-calling-open-models/)
-   [Tokens de raciocínio: por que você paga mais saída do que vê](https://broadrouter.com/pt/blog/reasoning-tokens-cost/)
-   [Lei de proteção de dados do Egito (Lei 151 de 2020) e APIs de LLM](https://broadrouter.com/pt/blog/egypt-data-protection-law-llm-api/)
-   [PDPL saudita e dos EAU e APIs de LLM: checklist de transferência](https://broadrouter.com/pt/blog/saudi-uae-pdpl-llm-api-checklist/)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

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

**Fontes**

-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, preprint no Zenodo, 2026-04-22 (registro consultado em 2026-11-15)](https://doi.org/10.5281/zenodo.19688433)
-   [BroadNet Research: principais resultados do Safety Map (consultado em 2026-11-15) (em inglês)](https://www.broadnet.ai/research)
-   [Blog da BroadNet, The firewall behind our LLM safety research is now open source (9 de setembro de 2026; consultado em 2026-11-15) (em inglês)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [Repositório do LSDF, Apache-2.0 (consultado em 2026-11-15)](https://github.com/brntech/lsdf)
-   [Catálogo de modelos da BroadNet: modelos remotos e via API avaliados (consultado em 2026-11-15) (em inglês)](https://www.broadnet.ai/inference/models)
