Los investigadores presentan PolicyShiftBench, un benchmark con 2.000 instancias sobre 265 imágenes, para evaluar si los modelos se adaptan a las políticas de seguridad activas en lugar de depender de prioridades a nivel de imagen. También proponen PolicyShiftGuard, un modelo compacto de 7B entrenado mediante Randomized Policy SFT y Boundary-Pair Policy Adaptation para manejar cambios de política.
- PolicyShiftBench empareja cada imagen con un promedio de 7.55 prompts condicionados por política para probar la adaptación a definiciones de política no vistas.
- PolicyShiftGuard utiliza una receta de entrenamiento en dos etapas que combina RP-SFT con BP-Adapt, separando las políticas de bloqueo y paso mediante una pérdida de comparación por pares.
- El modelo logra un rendimiento de vanguardia en PolicyShiftBench con 76.9 de F1 promedio y 72.1 de PSS promedio.
- Se transfiere bien a UnSafeBench y SafeEditBench mientras mejora el equilibrio entre latencia y rendimiento mediante un formato de salida conciso.
Los autores consideran esto importante porque los VLM existentes y las vallas especializadas siguen siendo frágiles ante cambios de política, mientras que PolicyShiftGuard mejora sustancialmente el rendimiento sensible a la política.