arXiv Artificial Intelligence· Siyi Gu, Kunhan Gao, Chao Peter Yang, Sukanta Ganguly, Rex Ying, Arman Cohan·2026-10-16 12:00· 2 小时前AI 评分27

StepSafe：用上下文感知安全推理实现及时干预

StepSafe: Learning Timely Intervention with Context-Aware Safety Reasoning

AI 导读

研究提出训练框架 ASPO，通过前缀级阶段对齐与自适应反馈自蒸馏，让模型在风险可见前继续、在澄清仍可避免伤害时询问、在伤害不可逆前停止。基于该框架的 StepSafe 在五个智能体安全基准上取得开源护栏最优表现，4B 版本 Youden's J 达 53.0，对比 46.2。