计算机科学 > 计算与语言
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.