arXiv cs.AI· Zhinan Liu, Jie Li, Mingyu Kang, Jiayi Ji·· 3 天前AI 评分32
REALGUARD：通过潜在推理实现可靠、高效、可审计的 LLM 安全防护
$\mathrm{R}{\scriptstyle\mathrm{EAL}}\mathrm{G}{\scriptstyle\mathrm{UARD}}$: Reliable, Efficient, and Auditable LLM Safeguards via Latent Reasoning
AI 导读
REALGUARD 是一个通过潜在推理将安全推理与理由生成解耦的 LLM 安全防护框架，在训练中用连续潜在推理逐步替代显式理由，并单独训练轻量审计解码器按需生成解释。
正文 · AI 翻译
摘要：基于推理的大语言模型（LLM）安全防护通过在做出决策前生成显式理由，提高了安全分类的准确性。然而，生成显式理由会为每一次安全决策带来大量的解码开销，而可读的解释仅在按需审计时才需要。这种不匹配促使了 $\mathrm{R}{\scriptstyle\mathrm{EAL}}\mathrm{G}{\scriptstyle\mathrm{UARD}}$ 的提出，这是一个可靠、高效且可审计的 LLM 安全防护框架，通过潜在推理将安全推理与理由生成解耦。在训练期间，任务对齐的课程逐步用连续潜在推理替代显式理由，并接受剩余理由文本和最终安全标签的监督。同时，一个轻量级审计解码器被训练为在交互文本和潜在状态的条件下生成解释，并接受压缩的任务级理由的监督。在推理时，防护模型通过带有自适应停止的连续潜在推理做出安全决策，而审计解码器则在需要时生成简洁的解释。对 1B、3B 和 8B 模型的评估表明，$\mathrm{R}{\scriptstyle\mathrm{EAL}}\mathrm{G}{\scriptstyle\mathrm{UARD}}$ 相比 GuardReasoner 将平均 F1 分数提升最多 1.76 分，在常规安全分类中实现最高 15.7$\times$ 的加速和最高 166.7$\times$ 的推理 token 用量减少，同时其审计解码器在基于 LLM 的评估下达到最高 87.73% 的解释可接受度。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2608.03838 [cs.AI] |
| （或 arXiv:2608.03838v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.03838 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhinan Liu [查看电子邮件]
[v1]
2026年8月4日星期二 15:47:41 UTC（1,878 KB）
[v2]
2026年10月13日星期二 11:58:08 UTC（3,985 KB）
来源：arXiv cs.AI · arxiv.org