arXiv · Computation and Language· Ziyuan Yang, Wenxuan Ding, Shangbin Feng, Yulia Tsvetkov·· 3 小时前AI 评分37
阅读而非操控：利用 MoE 视觉语言模型中的 Router Logits 提升多模态安全性
Reading, Not Manipulating: Leveraging Router Logits for Multimodal Safety in MoE Vision-Language Models
AI 导读
研究提出一种轻量级 router-logit 安全检测器，在 prompt prefill 阶段读取路由信号，在生成前识别不安全请求，不修改模型参数或专家路由。该检测器在 Qwen3-VL 和 Kimi-VL 上显著降低 HoliSafe 基准的安全错误，并泛化至 MISHard 和 MM-SafetyBench 等分布外安全基准。
来源：arXiv · Computation and Language · arxiv.org