SAVeR² 提出基于可验证奖励的推理模型安全对齐方法
原文标题：SAVeR$^2$: Reasoning-based Safety Alignment for Large Reasoning Models via Verifiable Rewards
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文针对大推理模型（LRM）链式推理带来的安全风险，提出 SAVeR² 安全对齐方法，将安全目标拆解为四个细粒度可验证奖励信号，并用保持推理能力的梯度投影机制消除「安全税」。在 1.5B 至 671B 模型上实验显示安全性能提升、过度拒答率显著下降，且不损害通用推理能力。
- 问题
- 大推理模型的链式推理带来安全风险，现有对齐方法存在对抗泛化差与「安全税」。
- 方法
- 提出 SAVeR²，将安全目标拆成四个细粒度可验证奖励，并用保持推理能力的梯度投影消除安全与推理的梯度冲突。
- 结果
- 在 1.5B 至 671B 模型上安全性能提升、过度拒答率显著下降，且不损害通用推理能力。
- 影响
- 为推理模型提供不牺牲推理能力的安全对齐方案，可直接用于上线前对齐流程。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SAVeR²用四个可验证奖励信号做安全对齐，在1.5B至671B模型上降过度拒答且不损推理。
- •将LRM安全目标形式化为：推理与答案均无害、安全一致性、显式意图识别
- •把安全目标拆成四个细粒度可验证奖励信号，并用难度感知数据选择稳定训练
- •引入保持推理能力的梯度投影机制，解析式消解安全与推理梯度冲突，消除「安全税」
- •实验覆盖1.5B至671B模型，安全性能提升、过度拒答率显著下降
- •作者指出现有方法三大问题：对抗泛化差、推理安全税、粗粒度奖励不忠实
为什么重要：推理模型的安全对齐常以牺牲推理能力为代价，该方法的梯度投影思路对做LRM后训练的团队有直接参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。