Safety Beyond the Interface: Detecting Harm via Latent States in Large Language Models

该论文关注大语言模型（LLM）安全防护基础设施的部署成本问题：当前主流做法是在模型外部串接独立的护栏模型（guardrail model）对输入输出做有害性判定，但这类外部防护会带来显著的推理延迟与算力开销，在资源受限、时延敏感的场景（如边

历史摘要 · 未重新核验 · arXiv cs.CR