CLEAR：让大模型安全对齐不再牺牲通用能力

导语

大语言模型的安全对齐一直面临一个难题：如果把安全行为通过全局微调写入模型，模型或许更不容易生成有害内容，但也可能在无害问题上变得保守、迟钝，甚至损失原有的推理能力。来自伊利诺伊大学的研究团队提出 CLEAR，试图把安全能力从“始终开启”改为“按需启用”。

核心方法

CLEAR 的全称是 Continuous Latent Adapter Routing，即连续潜在适配器路由。它并不直接大范围改写冻结的基础模型，而是在模型隐藏状态上加入一个轻量级门控机制，连续决定安全低秩适配器的激活强度。换言之，安全适配器不是对每个输入都以同样力度介入：门控认为需要更强安全约束时，提升适配器作用；面对良性请求时，则尽量减少额外干预。

这种设计与标准 LoRA 或安全 SFT 的关键区别，在于安全调整具有条件性和连续性。它不是简单地在“启用”和“关闭”之间二选一，也不是让安全训练影响所有输入，而是尝试让模型根据内部表示调整干预幅度。研究目标因此不仅是降低有害回答，还包括避免安全对齐不必要地改变模型原本的能力。

实验结果

论文在安全与通用能力基准上进行了评估。以 Llama-3-8B-Instruct 为例，CLEAR 将 HarmBench 的攻击成功率（ASR）从 32.3% 降至 0.5%。在 GSM8K 数学推理测试中，相比全局应用的 SFT 或标准 LoRA，CLEAR 最高取得 7.1 个百分点的准确率优势。素材同时指出，该方法保留了基础模型的大部分通用效用，但未提供所有基准、训练配置和计算成本的完整细节，因此这些结果仍应结合论文全文解读。

意义与局限

CLEAR 的价值在于重新定义安全对齐的粒度：安全机制不必平均作用于所有请求，而可以成为面向输入状态的“可调节层”。如果这一思路在更多模型、攻击方式和真实应用场景中成立，它可能帮助开发者缓解安全性与可用性之间的长期权衡，也为参数高效微调提供新的路由方向。

不过，当前材料主要呈现摘要级结果，尚不足以判断门控是否会被更复杂的提示词绕过，也无法确认额外模块的部署开销、跨模型泛化能力及对拒答质量的影响。CLEAR 更适合作为一个有潜力的安全对齐机制，而不是已经解决安全—效用冲突的最终方案。

来源：Hugging Face Daily Papers