arXiv cs.CL· Zheng Chen, Fei Yu, Haohao Huang, Yang Li, Anlong Chen, Lei Chen·· 3 天前AI 评分32
SecJev：为 System One 决策模型注入安全领域专业知识
SecJev: Bringing Security Expertise to System One Decision Models
AI 导读
面向安全场景的 Jev 风格决策模型家族 SecJev 发布，参数规模覆盖 0.8B 至 9B，可从文本、遥测数据和观测历史中学习布尔、选择与有序决策。其中 SecJev-0.8B 在任务宏平均准确率上比通用 Kev-9B 高出 20.51 个百分点，0.8B 与 4B 版本在准确率和延迟接近仅答案生成式微调的同时，峰值 GPU 显存占用更低。
正文 · AI 翻译
摘要：安全流程需要能够将复杂观测和显式策略转化为决策的模型。Jev 提出的 System One 模型返回带类型的预测和概率；安全专业化提供了这些预测背后的领域专业知识。我们提出 SecJev，据我们所知，这是首个专为安全领域定制的 Jev 风格决策模型系列，参数规模从 0.8B 到 9B。基于 Kev 的单遍候选评分器，SecJev 从文本、遥测和观测历史中学习布尔、选择和有序决策。我们开发了 SecJev-Corpus，以统一跨 14 项任务和八个来源的源标签预测与显式策略评估。它涵盖工具输出、流量、联邦更新、共识、认证和车辆消息。场景加权训练使模型能够跨这些领域自适应，同时保持共享的带类型决策接口。安全专业化提升了该系列中的每一个模型；SecJev-0.8B 在任务宏平均准确率上比通用 Kev-9B 高出 20.51 个百分点。在 0.8B 和 4B 规模下，SecJev 的准确率和延迟接近仅答案生成式微调，且峰值分配的 GPU 内存更低。SecJev-4B 在提示注入和流量迁移测试中优于 Kev-4B 和安全训练生成模型。我们发布了适配器、决策头、SecJev-Corpus 以及训练和推理代码。
| 评论： | 16 页，1 幅图；更新了实验和分析，修订了表述，并精简了附录 |
| 主题： | 密码学与安全（cs.CR）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.03073 [cs.CR] |
| （或使用 arXiv:2610.03073v2 [cs.CR] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.03073 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Zheng Chen [查看电子邮件]
[v1]
2026 年 10 月 2 日星期五 09:57:05 UTC（286 KB）
[v2]
2026 年 10 月 14 日星期三 00:59:10 UTC（278 KB）
来源：arXiv cs.CL · arxiv.org