arXiv cs.CL· Ping Wu, Haibo Tong, Feifei Zhao, Han Shen, Yu Shi, Yilin Zhao, Sicheng Shen, Guobin Shen, Yun Luo, Yi Zeng·· 3 天前AI 评分22
WIFA：基于包装器的意图分组监督提升 LLM 安全性
Refusing Intent, Not Form: Wrapper-Based Intent-Group Supervision for LLM Safety
AI 导读
研究提出 Wrapper-Based Intent-Form Augmentation（WIFA），对有害与良性请求施加共享包装器家族并按意图分组变体，让模型依据底层意图而非包装线索做判断。
正文 · AI 翻译
摘要：提高越狱鲁棒性的一种常见方法是在改写为角色扮演、翻译或其他形式的有害请求上进行训练。当仅用于有害请求时，这些形式可能成为拒绝捷径，削弱对未见攻击的鲁棒性并增加对良性请求的过度拒绝。我们提出基于包装器的意图形式增强（WIFA），它将共享的包装器族应用于有害和良性请求，并按意图对变体进行分组，鼓励基于底层意图而非包装器线索做出决策。WIFA 支持两条独立路线：WIFA-Boost 通过两阶段训练优先考虑安全性，而 A-GCRT 强制跨包装器做出一致决策以减轻过度拒绝。在三个模型系列和两个有害训练来源上，两条路线均持续提升安全性，同时基本保留能力。在 Qwen--AdvBench 上，WIFA-Boost 将 SB-avg5 从 22.1\% 提升至 63.7\%，在对比方法中最佳；A-GCRT 将其提升至 46.7\%，同时将 OR-Bench 过度拒绝从 25.7\% 降至 17.4\%，这与复现的防御方法不同，后者的安全性提升会增加过度拒绝。在三个基于 AdvBench 训练的骨干模型上，两条路线均大幅降低了 15 个未见攻击族以及模型自适应 GCG 和 RandomSearch 下的 ASR。总体而言，WIFA 提供了跨模型和训练来源可复用的意图分组监督，通过 WIFA-Boost 支持高安全性，并通过 A-GCRT 在减少不必要拒绝的同时实现显著的安全性提升。
| 评论： | 19 页，3 幅图，24 张表 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2608.13304 [cs.CL] |
| （或 arXiv:2608.13304v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.13304 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ping Wu [查看电子邮件]
[v1]
2026 年 8 月 13 日星期四 14:33:15 UTC（2,637 KB）
[v2]
2026 年 10 月 14 日星期三 12:57:15 UTC（917 KB）
来源：arXiv cs.CL · arxiv.org