Yuvion VL：面向对抗性内容与 AI 安全的多模态基础模型
Yuvion VL: A Multimodal Foundation Model for Adversarial Content and AI Safety
Yuvion VL 是一系列专为内容与 AI 安全打造的多模态大语言模型，包含指令微调与推理导向两种变体。其训练采用三阶段流程，并引入 Confuse-then-Contrast 微调框架，同时发布 Yuvion VL RiskEval（YVRE）评测基准。实验显示 Yuvion VL-32B 的安全性能超越同规模开源模型和最佳闭源商业模型，通用能力保持相当。
作者：Shikai Qiu、Xiaowen Xu、Benlei Cui、Ting Ma、Xiufeng Huang、Wenjing Jiang、Shaoxuan He、Haolei Xu、Chunyang Chai、Yujian Li、Yiliang Zhang、Guanghui Wang、Ziheng Wang、Ziwen Xu、Zhaoyu Fan、Jinhao Chen、Ruijie Jian、Hongxing Li、Chuxi Xiao、Xinyue Chen、Wenxuan Liu、Libin Dong、Yupeng Cao、Xiaoqian Xia、Jing Wang、Zhe Jiang、Zhenan Ye、Guang Yang、Bin Liu、Wei Peng、Ziqiang Zhu、Meihui Lian、Kaiwen Lv Kacuila、Haidong Ding、Dongjie Zhang、Yangfan Zhou、Bingyu Zhu、Yan Wang、Hai Zhao、Xuan Jin、Wei Zhao、Pengfei Sun、Huiming Zhang、Wei Wang、Xipeng Cao、Jialun Chen、Xiao Chen、Shaola Ren、Yunqing Hu、Bin Li、Chengwen Yao、Meng Huang、Xianfeng Li、Bin Tang、Chao Liu、Hui Xue、Longtao Huang、Haiwen Hong
摘要：通用模型往往难以可靠地识别和理解现实世界中的多模态风险，这在很大程度上源于内容与 AI 安全本身固有的多模态对抗性质。我们提出 Yuvion VL，这是一个专为内容与 AI 安全打造的多模态大语言模型系列，包含指令微调与推理导向两种变体。Yuvion VL 将安全视为本质上具有对抗性和多模态特性的问题，并围绕对抗鲁棒性设计整个流程，从而弥补这一差距。在数据构建方面，我们开发了一条自动化流程，将对抗感知的数据合成与多阶段质量控制相结合，产出大规模、高质量的多模态样本，并辅以领域知识和推理标注。在训练方面，我们采用三阶段流程，包括用于风险概念跨模态对齐的继续预训练、面向生产级安全任务的指令后训练，以及用于提升复杂任务可解释性与性能的推理后训练。我们进一步提出“先混淆再对比微调”（Confuse-then-Contrast Fine-Tuning），这是一个对比框架，通过挖掘模型特有的混淆点并构建多图像对比组，强制模型对细粒度视觉语义元素进行显式区分，使模型能够在对抗性安全任务中区分视觉上相似但安全含义不同的案例。为支持严格评估，我们进一步推出 Yuvion VL RiskEval（YVRE），这是一组涵盖多种公开与内部评估的基准，重点关注内容与 AI 安全、对抗鲁棒性以及现实世界能力要求。实验表明，Yuvion VL-32B 实现了业界领先的安全性能，超越了同等规模的开源模型和最佳闭源商业模型，同时保持了可比的通用能力。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.25034 [cs.CV] |
| （或 arXiv:2606.25034v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.25034 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Benlei Cui [查看邮箱]
[v1]
2026年6月23日星期二 18:00:08 UTC（15,106 KB）
[v2]
2026年6月26日星期五 07:24:58 UTC（15,106 KB）
[v3]
2026年10月20日星期二 09:19:42 UTC（3,532 KB）
来源：arXiv cs.AI · arxiv.org