DeShortcut-Align：解耦伪捷径以提升大推理模型安全对齐鲁棒性

DeShortcut-Align: Decoupling Spurious Shortcuts for Robust Safety Alignment in Large Reasoning Models

Quick read

Defenses

Based on 论文 PDF （AI 生成）; refer to the original

论文中段被截断，需先补读实验、消融与局限后再写解读。

Questions: 占位
Methods: 占位
Experiments and results: 占位
Limitations and future work: 占位

AI summary研究者提出 DeShortcut-Align 对齐框架，用于缓解大推理模型安全训练中出现的伪捷径问题。作者发现安全对齐后的模型常把拒答绑定到提示词模板（格式捷径）或敏感关键词（词汇捷径），导致过度拒答与通用能力下降。该方法通过拒答敏感性归因、归因引导的对比增强和反事实一致性正则三个阶段解耦这些捷径，在 7B 和 14B 模型上使模板剥离绕过攻击的性能下降最多减少 72%，过度拒答降低超过 58%。

研究者提出 DeShortcut-Align 对齐框架，用于缓解大推理模型安全训练中出现的伪捷径问题。作者发现安全对齐后的模型常把拒答绑定到提示词模板（格式捷径）或敏感关键词（词汇捷径），导致过度拒答与通用能力下降。该方法通过拒答敏感性归因、归因引导的对比增强和反事实一致性正则三个阶段解耦这些捷径，在 7B 和 14B 模型上使模板剥离绕过攻击的性能下降最多减少 72%，过度拒答降低超过 58%。

Paper analysis

6 questions; open one to read the full answer

What problem does this paper attempt to solve?
占位
占位
What related research exists?
占位
占位
How does the paper address this problem?
占位
占位
What experiments did the paper conduct?
占位
占位
What are some points that can be further explored?
占位
占位
Summarize the main content of the paper
占位
占位

Read originalarxiv.org