arXiv cs.CL· Viet-Thanh Pham, Thuy-Trang Vu, Junae Kim, Rollin Omari, Dinh Phung, Gholamreza Haffari, Lizhen Qu·· 12 小时前AI 评分38
UniGuard：面向跨接口安全泛化的多视图护栏学习框架
UniGuard: Multi-View Guardrail Learning for Cross-Interface Safety Generalization
AI 导读
UniGuard 提出多视图护栏训练框架，从同一安全案例的语义对齐多视图学习接口不变的安全表征，并构建 UniGuard-FT 数据集，将 1,000 个公开安全案例转换为 prompt、response、多轮对话、agent-trace 和多智能体 trace 五种视图。
正文 · AI 翻译
摘要：护栏模型越来越多地被用作 LLM 和智能体系统的安全层，但大多数护栏模型是在固定的提示或响应接口上训练的，当同一安全案例以对话、智能体轨迹、多智能体轨迹或策略条件输入的形式出现时，它们就会变得不可靠。我们提出 UniGuard，这是一个训练框架，能够从同一安全案例的多个语义对齐视图中学习接口不变的安全表示。我们还通过将 1,000 个公开安全案例转换为提示、响应、多轮对话、智能体轨迹和多智能体轨迹视图，构建了 UniGuard-FT 数据集，并使用分类、监督对比学习和非对称置信度校准损失训练了 UniGuard-0.6B。在未见接口基准 ATBench、PolicyGuardBench 和 DynaBench 上，UniGuard-0.6B 相比其预训练护栏平均提升 45.12 个 F1 点，并将期望校准误差降低 35.41 点，同时与 Claude-Sonnet-4.5 和 GPT-5.2 等规模大得多的护栏模型相比仍具竞争力——尽管它只是一个 0.6B 模型，且仅使用合成数据训练。
| 评论： | 31 页 |
| 主题： | 计算与语言 (cs.CL) |
| 引用为： | arXiv:2610.30742 [cs.CL] |
| （或 arXiv:2610.30742v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.30742 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Viet Thanh Pham [查看电子邮件]
[v1]
2026 年 10 月 22 日星期四 05:14:30 UTC（1,582 KB）
来源：arXiv cs.CL · arxiv.org