提出视觉自实现对齐(VSFA)方法,通过在威胁相关图像构建的中性VQA任务上微调多模态大模型,无需安全标签即可隐式塑造模型的警惕与谨慎安全人格,从而降低攻击成功率、提升响应质量并缓解过度拒绝。
机构:KAUST
来源:arXiv 2603.08486 | AI4Papers 论文推荐平台