Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Defenses and guardrails · Papers
Found 9 papersAI summary研究者提出一种轻量级路由 logits 安全检测器，在提示词预填充阶段读取 MoE 视觉语言模型的专家路由信号，在生成前判断多模态请求是否安全，且不修改模型参数或专家路由。
- Published
- Evaluated models
- Qwen3-VL-30B-A3B-Instruct, Kimi-VL-A3B-Instruct
Abstract读出而非操纵 router logits，可在不改模型的情况下降低两模型的组合式安全错误。
作者在两个指令微调 MoE VLM 上比较改模型与读路由。组合式风险按 HoliSafe 分成五类：图文各自可安全，合在一起才不安全，或不安全内容只在图像里。
提出 EmoRSS，推理时在拒绝子空间反向抵消情绪激活偏移以缓解过度拒答
- Published
- Evaluated models
- Llama-3.1-8B-it, Qwen3-8B
提出 Prefix Steering，以短前缀激活引导控制行为并保住能力
- Published
- Evaluated models
- OLMo 3 7B, OLMo 3 32B, Qwen3 1.7B and others4
Abstract短前缀 steering 用已有方向做短暂干预。
本文用注意力层匹配连接提示词与激活干预，并把干预改成从末提示词 token 开始的短前缀。
提出 DNAlign，在不改权重的推理期用零空间约束控制信号做安全对齐
- Published
- Evaluated models
- Vicuna-7B, Qwen-7B
AbstractDNAlign 用零空间约束的推理期控制做安全对齐，Table I 平均奖励高于所列基线。
DNAlign 是一个不改 LLM 参数的安全对齐框架，用来在推理时压低有害输出，并减少对中性知识所支持的流畅、事实回答的改动。
提出 HeadEdit，经冻结 unembedding 做随输入变化的 logit 校正
- Published
- Evaluated models
- Qwen3-4B, Gemma-3-4B-IT, Llama-3.2-3B-Instruct and others4
Abstract低秩 unembedding 校正抬高九个设置的总体准确率，并可部分预测 DPO 更新。
HeadEdit 是一种不更新参数的行为校准方法，作用点是冻结的 unembedding，而不是中间层残差或新的梯度优化。
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
- Published
- Evaluated models
- Qwen-2.5-7B, Qwen-2.5-7B-Instruct, Llama-3-8B and others15
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 Safin-1，以可路由 Safety State 在冻结主干上实现内在安全
- Published
- Evaluated models
- Safin-1 (4B), Safin-1 (35B-A3B)
提出内生护栏 SingProbe，复用解码隐状态监测查询意图、回复安全与幻觉
- Published
- Evaluated models
- Ling-3.0-tiny-singprobe, Ling-3.0-flash-singprobe
AbstractSingProbe 用轻量内生探针做生成时三类监测，并给出流式基准与低开销服务接入。
SingProbe 是面向生成时监测的开源内生护栏：复用基座解码隐状态，而不是另起模型反复编码文本。
提出 SafeReAct，用 LoRA 重激活后训练模型被掩盖的安全机制
- Published
- Evaluated models
- DeepSeek-R1-distilled LLaMA-8B, DeepSeek-R1-distilled Qwen-7B, DeepSeek-R1-distilled Qwen-14B and others9
AbstractSafeReAct 用剪枝得到的安全表示做 LoRA 对齐，以恢复后训练模型被掩盖的拒绝行为。
这篇工作针对后训练 LLM 的安全下降，提出表示对齐方法SafeReAct。
You have reached the end