论文用多视图训练让 0.6B 护栏模型跨接口泛化。
资讯摘要
论文提出 UniGuard 训练框架，从同一安全案例的多种语义对齐视图学习接口不变的安全表示，并构建 UniGuard-FT 数据集，将 1000 个公开安全案例转换为提示、回复、多轮对话、智能体轨迹和多智能体轨迹视图，训练 UniGuard-0.6B。作者报告，在 ATBench、PolicyGuardBench、DynaBench 等未见接口基准上，该模型平均 F1 比其预训练护栏提升 45.12 点，期望校准误差降低 35.41 点，并与 Claude-Sonnet-4.5、GPT-5.2 等更大护栏保持竞争力。
要点速读
- UniGuard 用分类、监督对比学习和非对称置信度校准损失训练 UniGuard-0.6B。
- UniGuard-FT 由 1000 个公开安全案例转换为五种接口视图构成。
- 作者报告在三个未见接口基准上平均 F1 提升 45.12 点、ECE 降低 35.41 点。
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 2026/10/24 08:00:37（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。