Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.13255

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2507.13255 (cs)
[提交于 2025年7月17日 ]

标题: 为安全多模态大语言模型自动转向

标题: Automating Steering for Safe Multimodal Large Language Models

Authors:Lyucheng Wu, Mengru Wang, Ziwen Xu, Tri Cao, Nay Oo, Bryan Hooi, Shumin Deng
摘要: 最近在多模态大语言模型(MLLMs)方面的进展已经释放出强大的跨模态推理能力,但也引发了新的安全担忧,尤其是在面对对抗性多模态输入时。 为了在推理过程中提高MLLMs的安全性,我们引入了一种模块化和自适应的推理时干预技术AutoSteer,而无需对底层模型进行微调。 AutoSteer包含三个核心组件:(1) 一种新颖的安全意识评分(SAS),能够自动识别模型内部层中最相关的安全差异;(2) 一个自适应的安全探测器,用于估计从中间表示中产生有害输出的可能性;以及(3) 一个轻量级的拒绝头,当检测到安全风险时选择性地进行干预以调节生成过程。 在LLaVA-OV和Chameleon上针对多种安全关键基准的实验表明,AutoSteer显著降低了文本、视觉和跨模态威胁的攻击成功率(ASR),同时保持了通用能力。 这些发现使AutoSteer成为多模态AI系统更安全部署的一种实用、可解释且有效的框架。
摘要: Recent progress in Multimodal Large Language Models (MLLMs) has unlocked powerful cross-modal reasoning abilities, but also raised new safety concerns, particularly when faced with adversarial multimodal inputs. To improve the safety of MLLMs during inference, we introduce a modular and adaptive inference-time intervention technology, AutoSteer, without requiring any fine-tuning of the underlying model. AutoSteer incorporates three core components: (1) a novel Safety Awareness Score (SAS) that automatically identifies the most safety-relevant distinctions among the model's internal layers; (2) an adaptive safety prober trained to estimate the likelihood of toxic outputs from intermediate representations; and (3) a lightweight Refusal Head that selectively intervenes to modulate generation when safety risks are detected. Experiments on LLaVA-OV and Chameleon across diverse safety-critical benchmarks demonstrate that AutoSteer significantly reduces the Attack Success Rate (ASR) for textual, visual, and cross-modal threats, while maintaining general abilities. These findings position AutoSteer as a practical, interpretable, and effective framework for safer deployment of multimodal AI systems.
评论: 进行中的工作。22页(8页为主文);25图;1表
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI); 信息检索 (cs.IR); 机器学习 (cs.LG); 多媒体 (cs.MM)
引用方式: arXiv:2507.13255 [cs.CL]
  (或者 arXiv:2507.13255v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.13255
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Shumin Deng [查看电子邮件]
[v1] 星期四, 2025 年 7 月 17 日 16:04:55 UTC (20,969 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI
cs.CL
cs.IR
cs.MM

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号