大模型arXiv cs.AI4 天前
Counterfactual Neighborhood Risk Fields: Evidence-Grounded Selective Safety for Vision-Language Models
提出 CNRF 框架，通过构建上下文匹配的良性-有害反事实对，将表征差异作为风险方向，并独立估计邻域支持度，从而区分'不熟悉'与'有害'，实现选择性干预而非一刀切拒绝。在三个 VLM 和五类多模态越狱攻击上达到 86.06-89.30% 宏观防御成功率，同时保留良性任务效用。