arXiv · ML· Maryam Hashemzadeh, Jerry Huang, Minseon Kim, Marc-Alexandre C\^ot\'e, Sarath Chandar·· 2026-10-06AI 评分44
SafeMoE:利用不安全知识进行动态安全路由的对齐方法
Dialectics of Alignment: Harnessing Unsafe Knowledge for Dynamic Safety Routing
AI 导读
论文提出 SafeMoE 混合专家框架,通过 LoRA 专家隔离不安全知识并动态路由,使安全响应率相对提升超 20%。该方法使用轻量门控网络整合不安全专家,实现零样本泛化,证明安全需受控集成而非简单屏蔽知识。
来源:arXiv · ML · arxiv.org