DefensesarXiv 2609.37054
ACTR:对齐推理与回答以提升推理大语言模型的多语言安全
提出 ACTR,只更新安全思考神经元以对齐推理与回答的安全类别
- arXiv
- 2609.37054
- Published
- Setting
- Models and APIs
- Evaluated models
- Qwen3-8B, Gemma4-12B-it
- DefensesModel hardening
- AttacksJailbreaks
- ComponentReasoning chains
提出 ACTR,只更新安全思考神经元以对齐推理与回答的安全类别
构建 TriggerBench 并训练 ThinkingGuard,检测图文隐式风险
这篇工作研究多模态隐式风险检测:图文各自良性,风险只在关键元素与触发元素交互时出现。
提出 EOPSA,用 TRR 截断与安全类过滤做在策略自蒸馏安全对齐
解释后验安全的权重几何脆弱性,并提出预训练持续安全共训练
Abstract论文将后验安全脆弱性归因于正交抑制,并提出通过预训练持续共训练实现具备微调抗性的安全防护。
提出 Rationale-Only 安全微调,去掉拒答声明以降低误拒
这是一项针对安全微调数据的结构分析:假拒答被作者追溯到回答里的套话式拒答声明,而不是只靠推理时补救。
提出 DataShield,用共识子空间过滤会削弱安全的微调数据
提出 SafeReAct,用 LoRA 重激活后训练模型被掩盖的安全机制
这篇工作针对后训练 LLM 的安全下降,提出表示对齐方法SafeReAct。
提出推理时防御 SafeThink,监视思维链并在低于阈值时注入转向前缀