Jul 29, 2026 · ROPD
On-Policy Distillation for LLM Safety: A Routing Approach to Template-Robust Realignment
arXiv 论文 2607.27081v1 提出 Routing-based On-Policy Distillation (ROPD)，一种针对 LLM 安全再对齐的框架，通过建模对齐与受损输出概率分布之间的差异，而非拟合特定提示模板。实验对比了四种基线，在三个数据集和三个基础模型上评估，发现基线防御在模板不匹配时性能下降，并常伴随下游任务严重退化。
EVENT STORY
Development
- First ReportOn-Policy Distillation for LLM Safety: A Routing Approach to Template-Robust RealignmentarXiv cs.CL
- Current Assessment该研究针对 LLM 微调中的安全漏洞，提出了一种新的防御思路，可能影响安全对齐工具的发展方向。但当前仅为研究阶段，尚未有产品化迹象，行业影响需观察后续应用。Agent Pulse · analysis
arXiv 论文 2607.27081v1 提出 Routing-based On-Policy Distillation (ROPD)，一种针对 LLM 安全再对齐的框架，通过建模对齐与受损输出概率分布之间的差异，而非拟合特定提示模板。实验对比了四种基线，在三个数据集和三个基础模型上评估，发现基线防御在模板不匹配时性能下降，并常伴随下游任务严重退化。
ROPD 的核心创新在于将安全再对齐问题从模板拟合转向分布建模，通过路由机制选择性地蒸馏对齐模型的输出分布，从而避免对特定提示模板的依赖。这种方法可能提高对模板变化的鲁棒性，但论文摘要未提供具体性能数据，需进一步验证其在不同攻击模板下的实际效果。
该研究针对 LLM 微调中的安全漏洞，提出了一种新的防御思路，可能影响安全对齐工具的发展方向。但当前仅为研究阶段，尚未有产品化迹象，行业影响需观察后续应用。
对于提供 LLM 微调服务的企业，该研究可能降低安全风险，提升产品可信度。但当前缺乏商业验证，实际价值需待技术成熟。
未来可关注 ROPD 在更多模型和攻击场景下的验证，以及其是否被集成到主流安全对齐工具中。若有效，可能成为 LLM 安全领域的新标准。