NExT-LFM · LATENT KNOWLEDGE 安全能力同样是模型里的潜在知识：它存在，却会随语言、模态与攻击方式而显隐不定。 灵鉴守界要做的，是把它定位出来、锚定住，并让它在多语言、多模态与推理场景下稳定生效。 研究愿景 →
LATENT ANCHOR · AI SAFETY GOVERNANCE

查得全 · 测得准 · 守得住
大模型安全治理平台

多数安全方案停在输入输出的浅层过滤，模型内部的安全机制仍然是个黑箱。 灵鉴守界（Latent Anchor）从安全神经元与安全通路的层面切入，先看清安全能力落在哪些结构上， 再针对这些结构做靶向加固，最后用基准与回归复核确认它真的守住了。

治理对象覆盖多语言、多模态、推理模型与智能体；攻击面覆盖白盒参数攻击与黑盒越狱注入； 交付物是评测报告、加固方案与可复核的合规留痕。

9项安全研究成果
6类治理能力
4步治理闭环
2类攻击面覆盖

治理对象与风险面

安全不是一个开关。不同语言、不同模态、不同推理路径上，风险的形态并不相同，治理必须逐面拆开。

R-01黑盒
越狱与提示注入

角色扮演、多轮诱导、编码混淆与工具调用注入，绕过对齐后的拒答策略。

R-02白盒
参数级攻击

少量有害样本微调、神经元编辑、LoRA 叠加，在保持通用能力的同时移除安全边界。

R-03跨语言
多语言安全落差

低资源语种、混合语码与翻译绕行，同一有害意图在中文被拒、在另一种语言却被接受。

R-04跨模态
图文组合风险

单看无害的文字与图像，组合后产生有害语义；模态之间还会互相削弱对方的安全约束。

R-05推理链
思维过程被利用

长链推理中的中间步骤泄露敏感信息，或被诱导在思考阶段自行解除约束。

R-06生成内容
合成内容合规

深度伪造、版权素材与未标注的合成影像，进入传播链路后难以追溯来源。

治理能力矩阵

每一项能力都对应一项已发表或在审的研究，不是概念演示。点开可查看论文原文。

A-01 · 评测
多语言安全基准 覆盖多语种与多模态的风险样本集，量化不同语言、不同模态下的安全落差，给出可对比的基线分数。
研究：Lingua-SafetyBench
A-02 · 定位
安全结构定位 定位承担安全判断的神经元与通路，识别跨模态共享的安全结构，让加固有明确的作用位点。
研究：SafeNexus · Who Transfers Safety?
A-03 · 迁移
跨语言安全迁移 找到跨语言共享的安全通路，把高资源语种上的安全能力迁移到低资源语种，减少逐语种重复对齐的成本。
研究：Who Bridges Safety?
A-04 · 加固
白盒攻击加固 面向参数级攻击的分布式对齐与动态路由，让安全边界不依赖单一神经元，攻击者难以靠局部改动拆除。
研究：Moving the Safety Barrier · No Single Neuron of Failure
A-05 · 干预
路径级干预 在推理路径上做路由与干预，把安全判断嵌进生成过程，而不是只在结果上做事后拦截。
研究：TraceRouter
A-06 · 对齐
推理过程对齐 让思考与回答保持一致的安全取向，避免推理模型在中间步骤放宽标准、在最终回答里才被拦下。
研究：ACTR · One Anchor for All

治理闭环

从体检到加固再到复核，每一步都留下可追溯的记录，供内部复盘与外部审计使用。

STEP 01
风险测绘用多语言、多模态红队与基准集扫描模型，输出分语种、分场景的风险画像。
STEP 02
靶向加固按定位到的安全结构施加干预与对齐，控制加固范围，尽量不动通用能力。
STEP 03
回归复核复核加固后的安全增益与能力保持情况，同时看误拒率，避免过度保守。
STEP 04
持续监测线上回流新样本，跟踪新攻击手法，把结果沉淀进下一轮基准与策略。

评价口径同时看两侧：安全侧关注攻击成功率与漏放率，能力侧关注通用任务表现与正常请求的误拒率。 只压一侧不算治理成功。

研究基础

灵鉴守界的方法来自 NExT-LFM 在安全对齐方向的一系列工作，全部公开在 arXiv 或已发表于 ICML。

P-01
ACTR: Aligning Thoughts and Responses for Multilingual Safety in Reasoning LLMs
X. Zhang, J. Yu, C. Xie, C. Cui, S. Miao, P. Shao, Y. Zheng, F. Shen, T.-S. Chua
arXiv preprint, 2026
PDF
P-02
Who Bridges Safety? Identifying and Targeting Cross-Lingual Shared Safety Pathways
S. Miao, W. Qiu, P. Shao, C. Xiao, F. Shen, Z. Zheng, T.-S. Chua
Under Review
PDFCode
P-03
No Single Neuron of Failure: Distributed Safety Alignment Against White-Box Attacks
S. Xie, C. Shi, S. Li, W. Wu, F. Shen, Y. Zhou, Z. Wang, T.-S. Chua
Under Review
PDF
P-04
Moving the Safety Barrier: Dynamic Routing Adaptive Alignment Against White-Box Attacks
S. Li, C. Shi, S. Xie, L. He, C. Ji, Z. Cheng, F. Shen, C. Wu, T.-S. Chua
Under Review
PDF
P-05
SafeNexus: Discovering and Steering Modality-Universal Safety Neurons in MLLMs
J. Yu, F. Shen, C. Wang, J. Wang, L. J. Du, J. Tang, T.-S. Chua
Under Review
PDF
P-06
One Anchor for All: Unified Multilingual and Multimodal Safety Alignment for LVLMs
E. Shi, F. Shen, C. Shi, L. Zhu, S. Miao, J. Tang, T.-S. Chua
Under Review
PDF
P-07
Who Transfers Safety? Identifying and Targeting Cross-Lingual Shared Safety Neurons
X. Zhang, C. Xie, L. Zhu, Y. Yang, W. Zhao, Z. Cheng, C. Wang, F. Shen, T.-S. Chua
ICML 2026
PDFCode
P-08
Lingua-SafetyBench: A Benchmark for Safety Evaluation of Multilingual Vision-Language Models
E. Shi, P. Shao, Y. Zhang, C. Cui, J. Lyu, X. Xie, X. Xia, F. Shen, T.-S. Chua
Under Review
PDFCode
P-09
TraceRouter: Robust Safety for Large Foundation Models via Path-Level Intervention
C. Shi, S. Li, W. Lu, W. Wu, C. Wang, Z. Cheng, F. Shen, T.-S. Chua
ICML 2026
PDF

适用对象

安全治理的形态随角色而变：模型方需要加固，应用方需要评测，监管与平台需要可复核的证据。

模型厂商发布前的安全体检与加固，尤其是面向多语言市场与多模态能力的版本。
企业私有化内部部署模型的越狱防护与内容边界设定，兼顾可用性与误拒率。
内容平台合成内容的识别与溯源，降低深度伪造与侵权素材的传播风险。
监管与评测第三方安全评估，输出可复现的基准分数与治理报告。