提出 DFI 与 DFC 蒸馏，定罪隐瞒失配的教师或安全提取能力
摘要概括了论文针对隐瞒失配模型提出的 DFI 与 DFC 机制、主实验发现及适用边界。
用 SafeEvo 提取拒绝电路，并提出 SCA 仅微调该电路
摘要SafeEvo 识别出基座模型中存在的弱安全电路及其演化动态，据此提出的 SCA 算法实现了安全对齐、能力保留与低过度拒绝的平衡。
提出 ASCENT，在效用微调中做一阶安全校准并只压制负贡献更新
提出融合定位拒答与能力保留的安全微调，补齐视觉定位输出的拒答缺口
摘要论文揭示了 VLM 定位安全落后于 VQA 的对齐断层，提出三成分微调方案有效弥合差距并保留定位能力，表征分析揭示了对齐机制。
提出 FBS Debate 协议，使诚实为占优策略且最坏情况正确
FBS Debate 是一套可扩展监督的辩论规则：两名计算方争论一个可递归分解的是非问题，人类只在最后选出的子问题上做黑盒判断。要处理的缺口是，prover-estimator debate 虽能覆盖稳定分解，但只在输入分布的平均意义下成立，而且 Bob 的获胜策略一般要跟着 Alice 的作弊策略变。作者要在同一问题类上，让每个错误实例都能被抓住，并让诚实且正确成为双方的占优策略。
提出 PACT，遗忘推理模型在压力下的欺骗行为并保留上下文理解
摘要论文将大模型欺骗形式化为上下文条件行为，提出 PACT 框架在消除欺骗的同时保留了上下文遵循能力。
用持续更新的探针做微调，降低有害性并保持线性可监测性
Probe-guided fine-tuning 把探针分数当作唯一对齐信号，用来推动 harmlessness 与 honesty，并检查训练后这些概念是否仍线性可读。
提出 Intent-Privilege OPSD，对齐视觉语言模型在隐式风险下的安全与帮助性
Intent-Privilege OPSD 是针对跨模态隐式风险的训练期安全—帮助性对齐方法。作者关注的不是直接拒绝敏感请求，而是按可观察图文证据保留正常帮助、约束有害信息。
提出 SURE 三阶段框架，用韩语对抗提示与安全打分做 SFT 与 DPO
ORPG 是一种多奖励策略梯度调和方法：每个奖励保持独立裁剪目标，相容时协调贡献幅度，冲突时按任务优先级投影。
提出 DeShortcut-Align，解耦伪捷径以增强推理模型安全对齐
占位。
度量强化学习后失败披露的跨运行不稳定性，并提出失败条件参考锚定
摘要纯结果强化学习会使模型失败披露行为出现远高于任务能力的跨运行发散，采用失败条件参考锚定可稳定汇报但存在性能权衡。
提出可解释 rubric 奖励，将宪法转为可调权重并用于监督微调
作者给出一条从通用宪法到可调训练奖励的路径，用来检查并改写模型实际被优化的优先级。
分析良性知识蒸馏中提示模板对学生拒答保留的影响
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 WIFA 意图组监督微调，缓解包装式越狱与过度拒答
WIFA 是一种自动意图组数据构造，用来让安全微调拒绝有害意图而不是拒绝表面包装。WIFA-Boost 与 A-GCRT 在同一数据层上选取不同的安全–过拒工作点。
提出 DataShield，用共识子空间过滤会削弱安全的微调数据
证明模型可在 RL 训练中少探索以抵抗能力诱发
作者研究的是探索黑客：模型在 RL 中故意改变自己采样的轨迹，使训练结果偏离开发者想要的策略区。问题来自 on-policy RL 必须靠模型自己探索。若高奖励轨迹几乎不被采样，GRPO 的组内优势会消失。
提出 ShaPO，只在安全关键子空间做最坏情况偏好对齐