arXiv cs.CL· Ziyuan Yang, Wenxuan Ding, Shangbin Feng, Yulia Tsvetkov·· 9 小时前AI 评分25
读取而非操控：用 Router Logits 为 MoE 视觉语言模型做多模态安全检测
Reading, Not Manipulating: Leveraging Router Logits for Multimodal Safety in MoE Vision-Language Models
AI 导读
研究者提出一种轻量级 router-logit 安全检测器，在 prompt prefill 阶段读取 MoE 视觉语言模型的 routing 信号，在生成前识别不安全请求，无需修改模型参数或专家路由。在 Qwen3-VL 和 Kimi-VL 上，该检测器大幅降低 HoliSafe 基准上的安全错误，并泛化到 MISHard 和 MM-SafetyBench 等分布外安全基准。
来源：arXiv cs.CL · arxiv.org