研究人员推出了 PolicyShiftBench，这是一个包含 2,000 个实例（覆盖 265 张图像）的基准测试，用于评估模型是否适应主动安全策略，而不是依赖图像级先验。他们还提出了 PolicyShiftGuard，一个通过 Randomized Policy SFT 和 Boundary-Pair Policy Adaptation 训练的紧凑型 7B 模型，以处理策略变更。

  • PolicyShiftBench 将每张图像与平均 7.55 个策略条件提示配对，以测试对未见策略定义的适应能力。
  • PolicyShiftGuard 使用结合 RP-SFT 和 BP-Adapt 的两阶段训练配方，通过成对比较损失分离阻止和通过策略。
  • 该模型在 PolicyShiftBench 上取得了最先进的性能，平均 F1 得分为 76.9，平均 PSS 得分为 72.1。
  • 它能很好地迁移到 UnSafeBench 和 SafeEditBench，并通过简洁的输出格式改善了延迟与性能的权衡。

作者认为这很重要，因为现有的 VLM 和专业护栏在策略变更下仍然脆弱，而 PolicyShiftGuard 显著提高了对策略敏感的绩效。