知识卡片：CLEAR：面向效用保持的LLM安全对齐的连续潜变量适配器路由

一句话结论

CLEAR 通过轻量级隐藏状态门控动态控制安全低秩适配器的激活强度，在冻结主干模型的前提下降低有害回应率，同时减少全局安全调优（如 SFT、标准 LoRA）带来的效用损失。

事件概述或研究问题

大型语言模型的安全微调常以提高安全性为代价损害通用能力，因为全局安全调优可能同时改变模型对有害输入和良性输入的反应。CLEAR 以条件式安全适配框架来解决这一安全-效用权衡问题。

方法/产品要点

• 框架名称：CLEAR（Continuous Latent Adapter Routing，连续潜变量适配器路由）。
• 核心设计：轻量级隐藏状态门控 + 安全低秩适配器。
• 工作方式：门控根据模型隐藏状态连续调节安全适配器的激活强度，基础模型/主干保持冻结。
• 目标：减少有害文本生成，同时尽量避免对良性提示的响应产生不必要的改动。
• 相比全局安全微调（SFT）或标准低秩适配（LoRA），CLEAR 不全局修改模型行为，而是按输入条件进行安全干预。

主要结果或产业意义

• 在安全基准 HarmBench 上，CLEAR 提升了模型鲁棒性，同时降低了全局安全调优造成的效用下降。
• 在 Llama-3-8B-Instruct 上，HarmBench ASR 从 32.3% 降至 0.5%。
• 保留基础模型大部分效用；GSM8K 准确率比全局 SFT 或标准 LoRA 最多高 7.1 个百分点。
• 结果表明 CLEAR 是改善 LLM 对齐中安全-效用权衡的一种有前景的机制。

为什么重要

• 现有安全对齐多面临“越安全越笨”的权衡，CLEAR 提示了一条不需要大规模改动主干模型的路径。
• 增量信息：不同于已有知识卡片中的 PACR-Video、AURORA-LM 等工作，本条聚焦于 LLM 安全对齐中的效用保持，核心创新是“轻量门控 + 安全适配器”的条件路由，而非全模型微调或新表示空间设计。

局限与不确定性

• 仅从摘要无法确认门控与适配器的完整实现细节、训练数据、计算开销等，均待核实。
• 量化结果目前仅见于 Llama-3-8B-Instruct，其他模型规模与任务上的泛化效果待核实。
• “连续控制”的具体方式、路由规则的可解释性以及极端对抗输入下的稳定性，材料未提供细节，待核实。

可用于图书/PPT/简报的角度

• 以“安全对齐的效用税”为切入点，介绍 CLEAR 如何尝试“按需安全”而非“全局安全”。
• 可用数字：HarmBench ASR 从 32.3% 到 0.5%，并保持大部分效用。
• 引导讨论：安全机制是否可以不改变基础模型，而是在推理时动态路由？
• 对比：全局 SFT/LoRA vs 条件式低秩路由，在安全与效用上的取舍。

原始材料

• 英文标题：CLEAR: Continuous Latent Adapter Routing for Utility-Preserving LLM Safety Alignment
• 英文关键词：LLM Safety Alignment; Utility Preservation; Low-Rank Adapter; Hidden-State Gate; Routing; HarmBench; GSM8K
• 原始来源：arXiv:2608.21278v1
• URL：https://arxiv.org/abs/2608.21278v1
• 作者：Chengxiao Wang, Enyi Jiang, Xiaojing Liao, Sanmi Koyejo
• 发布/更新时间：2026-08-21T16:36:10Z