StepSafe：步骤级及时干预安全护栏

2026年10月16日，arXiv Artificial Intelligence 刊出研究，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 为步骤级推理安全护栏，实现及时干预。据该报道，StepSafe 在五个智能体安全基准上取得开源护栏最优表现，其 4B 版本 Youden's J 达 53.0，对比值为 46.2。目前进展停留在论文发布与基准评测层面，报道未提及部署、开放使用或收费安排。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。