基础研究 / 可靠评估与安全 / 研究解读
移动安全屏障：面向白盒攻击的动态路由自适应对齐
在 MLP 中定位跨层安全路由，利用路由屏蔽诱发的失效构造偏好监督，训练抵御白盒攻击的补偿路径。
核心内容
Dynamic Routing Adaptive Alignment 先定位既有安全路径，再通过临时扰动收集防御失效。这些失效被构造成偏好对；优化时锁定原有路径，促使更新在其他位置形成补偿计算。
框架由此围绕一种内部反事实开展训练：当常用安全路径受损时，模型应如何继续维持正确拒答？路径层诊断进一步检验，得到的稳健性是否确实由所提出的补偿机制支撑。
失效偏好对从路径扰动中获得监督
DR-DPO优化时锁定原有路径
双重损伤面向机制的验证实验
安全边界能否保持，取决于模型在常用拒答路径不可用时如何继续决策。
从内部失效中学习
流程依次定位路径、挖掘失效偏好对，并训练补偿路由。
查看论文原图为什么研究这个问题
在开放权重模型中，固定拒答路径可能成为可预测的攻击目标。常规安全训练可能继续增强相同依赖，因此需要检验模型在该路径受损后，能否仍然维持预期行为。
方法如何工作
- 对比安全与不安全样本的内部激活，识别模型的安全路径。
- 屏蔽该路径，并利用产生的防御失败构造失效感知偏好对。
- 通过锁定原路径的动态路由 DPO 优化，促使其他位置形成补偿支持。
检验补偿机制假设
双重损伤实验比较完整、原路径受损，以及原路径与补偿成分同时受损的情况。
查看论文原图实验发现了什么
论文在语言与多模态模型上比较路径剪除后的安全性与一般能力。双重损伤实验同时干预原路径和补偿成分，额外退化为该设置下的补偿解释提供支持；路径可视化和消融进一步分析替代计算如何形成。
替代支持出现在哪里？
可视化追踪干预前后识别到的路径成分。
查看论文原图这项研究意味着什么
这项工作将对齐理解为对内部运行条件变化的准备。主动构造已知机制失效，可以生成关于“哪些行为必须继续成立”的定向监督，让可解释分析参与训练数据的设计。
关键仍在于，这些替代计算面对新的内部干预是否有效。联合路径损伤实验能够直接挑战机制假设，也帮助区分已经验证的补偿路径与对任意白盒修改均有效的更强主张。
论文与相关资源
本文为论文介绍，方法定义、实验设置与完整结果请参见论文原文。
引用这项研究
@misc{moving_safety_barrier,
title = {Moving the Safety Barrier: Dynamic Routing Adaptive Alignment Against White-Box Attacks},
author = {Li, Shangze and Shi, Chuancheng and Xie, Simiao and He, Lingzhi and Ji, Cheng and Cheng, Zifeng and Shen, Fei and Wu, Chao and Chua, Tat-Seng},
year = {2026},
eprint = {2608.02674},
archivePrefix = {arXiv},
url = {https://arxiv.org/abs/2608.02674}
}