Safin-1.5：面向递归安全改进的安全原生架构与可验证推理
Safin-1.5: Safety-Native Architecture and Verifiable Reasoning for Recursive Safety Improvement
Safin-1.5 模型通过安全原生架构与递归安全改进训练，在安全与推理性能上超越前沿模型。其安全架构结合持久安全状态与危险知识解耦，后者将目标危险知识迁移至可移除专家，实现移除时对通用能力影响最小。递归安全改进建立“发现-评估-修复”循环，仅在提升安全且保持通用能力、限制过度拒答时接受更新；推理时 harness 结合符号推理与验证，支持形式化证明构建。
作者：Jingnan Zheng、Cheng Jin、Ming Zhang、Huan Sun、Zhongtian Ma、Kaisen Yang、Ziyuan Zhou、Tong Wu、Dongcheng Zhang、Yi Zhang、Xiao Wang、Han Qi、Shu Yu、Ermo Hua、Zongji Yu、Chaozhuo Li、Xiaoyu Wen、Zhekai Chen、Jiawei Zhou、Sirui Chen、Ning Ding、An Zhang、Tat-Seng Chua、Xiangnan He、Xia Hu、Bowen Zhou、Qiaosheng Zhang、Youbang Sun、Xiang Wang、Zhongyu Huang、Chaochao Lu
摘要：递归自我改进（RSI）使大语言模型能够通过连续更新提升能力，但这些更新也可能引入新风险并削弱现有防护措施。遵循 AI-45° 法则，我们追求安全 RSI，即安全通过持续的风险发现与修复，与通用模型能力一同作为内在能力发展，同时保持实用性并限制过度拒答。我们推出 Safin-1.5，这是一个基于安全架构构建、通过递归安全改进训练的模型，并配有推理时框架，将其能力扩展至形式推理。我们的方法包含三个部分：i）安全架构将持久安全状态与危险知识解耦相结合。前者保留并选择性调用安全知识，后者将目标危险知识迁移至可移除的专家模块，从而在移除时对通用能力影响最小。ii）递归安全改进建立发现-评估-修复循环。该循环识别新漏洞，并利用实验反馈制定修复策略。仅当更新能提升安全性、同时保持通用能力并限制过度拒答时，才接受该更新。iii）形式推理框架将模型的语言理解与符号推理和验证相结合。证明义务引导的语义桥接可恢复形式表示中缺失的关系，使符号求解器能够在形式化前提和已接受的语义桥接之下构建可检验的证明。实验结果表明，Safin-1.5 在安全性和推理性能上均优于前沿模型。
| 评论： | 29 页，5 幅图 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.40751 [cs.CR] |
| （或 arXiv:2610.40751v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40751 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Ziyuan Zhou [查看邮箱]
[v1]
2026年10月29日 星期四 16:14:36 UTC（12,287 KB）
来源：arXiv cs.CL · arxiv.org