CLEAR：用连续隐空间适配器路由破解大模型安全与效用的两难

大语言模型的安全对齐长期面临一个两难困境：提升安全性常常以牺牲实用性为代价。其根本原因在于，全局安全微调会同时作用于模型对有害输入与良性输入的响应，导致模型在拒绝攻击的同时也可能对正常请求变得过度谨慎或回答质量下降。针对这一核心矛盾，本文提出连续隐空间适配器路由（CLEAR），一种条件式安全适配框架。CLEAR 的核心思想是让安全适配行为根据输入动态发生，而非对所有输入一视同仁。具体而言，它引入一个轻量级的隐状态门控机制，用于连续地调节一个低秩适配器（adapter）的激活强度，从而在需要时增强安全防护、在不需要时尽量减少对模型原有行为的干扰。这一设计使 CLEAR 能够在显著减少有害完成结果的同时，避免对冻结的主干网络造成不必要的改动，进而保护模型在良性提示上的表现。论文的核心贡献在于把安全适配从一个全局、二值化的操作转化为一个局部、连续、可条件控制的机制，为安全与效用的权衡提供了新的思路。CLEAR 的目标函数与训练策略围绕这一门控思想展开，旨在让模型学会判断何时该启用安全适配、何时应保持基座模型的原始能力。作者指出，这种条件化机制有望成为改善 LLM 对齐中安全—效用权衡的一种有前景的通用机制，其价值不仅在于性能提升，更在于提供了一种可迁移的设计范式。

在技术方法层面，CLEAR 的关键创新是那个轻量级的隐状态门控器。它读取模型在推理过程中产生的隐状态（hidden-state），并据此输出一个连续的控制信号，用来缩放一个低秩适配器的激活强度。低秩适配器本身是一种参数高效的微调模块，只需更新少量参数即可对大规模 transformer 模型施加影响；而门控器的加入则进一步让这种影响变得动态且可条件化。与全局安全微调或标准低秩适配（LoRA）不同，CLEAR 不再对所有输入施加相同强度的安全约束，而是让模型根据当前输入的内容自行决定安全适配的强弱。这种连续调节避免了硬性开关所带来的副作用，例如良性输入被过度抑制或有害输入未被充分拦截。在训练策略上，CLEAR 保持主干网络冻结，仅训练轻量门控与低秩适配器，从而大幅降低训练成本并便于部署。作者强调，这种设计使模型能够更精细地平衡拒绝有害请求与保留正常能力之间的关系，其本质是把安全从一种全局属性转化为一种可感知上下文的能力。论文在多个常用的安全基准与效用基准上进行了系统实验。安全方面采用广泛使用的 HarmBench 来衡量模型对攻击的抵御能力，效用方面则考察模型在良性任务上的表现是否因安全微调而退化。

实验结果显示，CLEAR 在 HarmBench 上显著增强了鲁棒性，同时缓解了 SFT 或标准 LoRA 等全局安全微调所常见的效用下降问题。以 Llama-3-8B-Instruct 为例，CLEAR 将 HarmBench 的攻击成功率（ASR）从 32.3% 大幅降至 0.5%，显示出极强的安全防护能力。与此同时，CLEAR 保留了基座模型的大部分效用，并在 GSM8K 这类衡量推理能力的基准上，比全局应用的 SFT 或 LoRA 最高高出 7.1 个百分点的准确率。这些消融与对比结果表明，条件化、连续调节的安全适配能够同时兼顾安全与效用，而全局微调则往往顾此失彼。作者进一步指出，CLEAR 在多个基准上的稳定表现说明其并非针对单一数据集的过拟合，而是提供了一种可推广的安全适配机制。从行业意义与潜在影响来看，CLEAR 提供了一种参数高效、易于部署的安全增强方案。由于它保持主干网络冻结且仅引入轻量模块，因此可以较低的成本叠加到已有模型之上，这对工业界落地具有很高的实用价值。对于开源社区而言，这种条件化适配思路为安全对齐提供了一条不同于全量微调的新路径，有助于推动更安全且更可用的开源模型发展。在后续研究方面，CLEAR 将安全适配从全局操作转化为可条件控制的连续机制，这一范式可被推广到其他对齐目标或更大规模的模型上，例如结合更强的门控设计或更丰富的上下文信号。论文还暗示，这种在安全与效用之间取得更好权衡的机制，有望缓解当前 LLM 部署中普遍存在的过度保守问题，使模型在保持安全的同时拥有更好的实际体验。总体而言，CLEAR 不仅是一项具体的技术改进，更代表了 LLM 对齐从粗放式全局调控走向精细化条件控制的发展趋势。