arXiv提出CNRF框架实现VLM选择性安全

发生了什么

据arXiv论文报道，研究提出反事实邻域风险场（CNRF）框架，用于视觉语言模型（VLM）的证据导向选择性安全。CNRF构建上下文匹配的良性-有害反事实对，利用表示差异作为能力相关风险方向，并独立估计邻域支持。该方法防止不熟悉性与有害性混淆，实现选择性干预而非全面拒绝。在三个VLM和五种多模态越狱家族实验中，CNRF实现86.06-89.30%的宏观防御成功率，同时保留大量良性任务效用。