CLEAR：持续潜在适配器路由以在保持效用的同时实现LLM安全对齐

CLEAR是一种新提出的持续潜在适配器路由框架，通过轻量级隐藏状态门控持续控制安全低秩适配器的激活强度，在保持基础模型性能的同时减少有害内容生成。在Llama-3-8B-Instruct上，HarmBench的ASR从32.3%降至0.5%，GSM8K准确率比全局SFT或LoRA高出最多7.1个百分点，改善了安全与效用的权衡。

以往的安全微调（如SFT或标准LoRA）往往以牺牲模型在良性输入上的性能为代价，而CLEAR通过条件化适配，在显著降低有害内容生成率的同时保留了大部分效用，为安全-效用权衡提供了新方案。

CLEAR使用隐藏状态门控动态调节安全适配器的激活强度，对有害输入增强安全干预，对良性输入减少不必要的模型改动，从而避免全局微调带来的性能损失。这种机制基于输入内容进行差异化处理，提升安全性的同时保持模型效用。

产品可采用CLEAR提升LLM安全护栏，减少有害输出，同时保持用户体验和任务准确性，降低安全微调带来的性能回退成本，尤其适用于需要高准确率的应用场景。

• 在客服或内容生成产品中集成CLEAR，减少有害输出同时保持响应质量。
• 基于CLEAR开发可动态调节安全强度的模型服务，按需配置合规等级。
• 在模型评估流程中加入CLEAR与全局微调的对比，量化安全-效用收益。

• CLEAR在更大规模模型（如70B）或不同架构上的效果是否一致？
• 隐藏状态门控的额外计算开销在实际部署中是否可忽略？
• CLEAR对多轮对话或复杂指令的适应性如何？
• 长期安全对齐效果是否稳定，是否存在对抗性攻击绕过风险？