组合式失对齐：大型视觉语言模型的安全性审计

研究提出用“失对齐”作为对齐鲁棒性的补充审计手段，发现最小监督微调即可达到与多阶段强化学习管线相当的 LLM 评委分数，说明基准分数本身无法证明鲁棒性。识别与拒答组合式危害是解耦的：九种方向发现方法检测组合式危害的 AUC 最高达 0.99，但消融这些方向要么不影响拒答、要么破坏模型连贯性。