arXiv · cs.AI· Tianshi Wang, Jingsong Wang, Fengling Li, Jingjing Li, Xin Li, Lei Zhu·· 1 天前
CNRF提出基于反事实邻域风险场的安全防御框架
Counterfactual Neighborhood Risk Fields: Evidence-Grounded Selective Safety for Vision-Language Models
arXiv:2610.20679v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Tianshi Wang, Jingsong Wang, Fengling Li, Jingjing Li, Xin Li, Lei Zhu
研究任务与主要进展
作者提出CNRF框架，通过上下文匹配的良性—有害反事实对和表示差异，为视觉语言模型提供可解释的风险方向与邻域支持度，并支持选择性干预而非一律拒绝。摘要报告，该方法在三种VLM和五类多模态越狱攻击上取得86.06%—89.30%的宏平均防御成功率，同时保留较多良性任务能力；当前仅依据论文摘要，具体实验条件仍需阅读全文核验。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org