#多轮对话安全

浅层对齐反成防御利器：ShallowDefend如何守住多轮对话安全

ShallowDefend 提出 Assess→Decide→Respond 框架，利用安全对齐的浅层特性，在多轮对话中先占据高杠杆 token 区间，用强化学习训练显式安全决策，在十四个基准上取得最强多轮安全表现。