DAVSP 是什么？给视觉语言模型加一圈“安全边框”

DAVSP（Deep Aligned Visual Safety Prompt，深度对齐的视觉安全提示）是一种提升视觉语言模型安全性的方法，由清华大学的研究团队提出，论文标题是《DAVSP：通过深度对齐的视觉安全提示实现大型视觉语言模型的安全对齐》，被 AAAI 2026 录用。

要解决的问题

大型视觉语言模型（LVLM）能同时看图和理解文字，在很多应用中进展显著。但它们也更容易被利用：恶意用户可以把有害的请求藏在图片里，绕过只针对文字设计的安全机制。论文指出，现有的安全对齐方法往往很难两全：要么抵挡不住恶意请求，要么过度防御，连正常、无害的请求也拒绝回答，让模型变得不好用。

两项关键创新

第一，视觉安全提示。以往的一些方法会直接在图像上叠加可训练的扰动，这会破坏原本的视觉特征，影响模型对正常图片的理解。DAVSP 换了一种方式：在输入图像的四周加一圈可训练的填充区域，像给图片加一个“边框”。这圈边框作为视觉层面的安全提示，原图内容完全保留，因而不会损害模型在正常任务上的表现，同时扩大了可优化的空间。

第二，深度对齐。传统方法通常只在模型的输出层面做监督，告诉模型“这种情况应该拒绝”。DAVSP 则深入到模型内部的激活空间进行对齐，引导模型内部的表示朝着能够识别恶意意图的方向调整，让安全能力扎根在模型的“理解”里，而不只是输出时的表面规则。

效果

论文报告，DAVSP 有效提升了模型抵御恶意请求的能力，同时保留了模型在无害请求上的实用性，在多个基准和不同模型上都表现出良好的效果和泛化能力。这类方法对于把多模态模型部署到面向公众的产品中、降低被滥用的风险，具有实际意义。