D²-Monitor：基于犹豫信号的扩散大语言模型动态安全监控
D²-Monitor: Dynamic Safety Monitoring for Diffusion LLMs via Hesitation Signals
AI 导读
D²-Monitor 是一种针对扩散大语言模型（D-LLM）的动态安全监控方法，利用中间隐藏状态反复接近探针决策边界的"安全犹豫"信号来判断样本难度。轻量探针先对每个样本给出基础预测和犹豫估计，再决定是否升级到更强探针，后者仅读取至少出现一次犹豫步骤的轨迹最小片段。在 WildGuardMix、ToxicChat、OpenAI-Moderation 3 个数据集和 4 个 D-LLM 上，该方法以不超过 0.93M 参数取得 SOTA 表现，并在 8 个基线中实现最佳效果与效率权衡。