视觉语言模型安全几何随层深变化：逐层定位与双向拒答控制

论文在冻结 VLM 视觉编码器中发现随层深变化的安全几何与拒答控制面。

资讯摘要

论文提出一种轻量推理时框架，在冻结的视觉语言模型上定位并操控安全敏感表征，无需重训或改参数。在 Qwen3-VL-4B 上，逐层激活差异分析显示安全几何随深度不均匀；因果干预表明早期视觉层可沿学习到的安全方向实现双向拒答控制，不安全拒绝率跨 6%–96%，后层更受激活幅度缩放影响并存在安全—选择性权衡。InternVL2.5-4B 呈现定性相似的深度依赖几何。

要点速读

1. 框架在冻结 VLM 上做推理时定位与操控，不重训、不改参数。
2. Qwen3-VL-4B 早期视觉层经激活引导实现双向拒答控制，不安全拒绝率跨 6%–96%。
3. 深层沿安全方向可分但对引导不敏感，作者据此区分表征可分性与因果可控性。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。