跳到正文
arXiv · AI· Tianshi Wang, Jingsong Wang, Fengling Li, Jingjing Li, Xin Li, Lei Zhu·· 2026-10-16AI 评分29

CNRF框架实现视觉语言模型选择性安全防御

Counterfactual Neighborhood Risk Fields: Evidence-Grounded Selective Safety for Vision-Language Models

AI 导读

CNRF通过构建反事实邻域风险场,在三种视觉语言模型上实现86.06%至89.30%的宏观防御成功率。 该框架区分风险与支持度,通过自适应接口路由请求审查,在保留良性任务可用性的同时降低有害能力。

来源:arXiv · AI · arxiv.org