有害内容检测

迈向策略自适应的图像护栏：基准与方法

Towards Policy-Adaptive Image Guardrail: Benchmark and Method

对做视觉安全审核的人，这篇给出了一个用图像编辑模型构造「仅局部违规」安全-不安全图像对的基准构造范式，以及用可验证奖励强化学习（RLVR）替代固定策略 SFT 来让 VLM 护栏跨策略泛化的训练思路，可直接迁移到内容审核与越狱防御模型。