无需多模态安全数据：MARS 借文本拒绝方向提升多模态模型安全性

一句话看懂：一篇发表于 Hugging Face Papers 的论文提出训练自由方法 MARS，尝试只从 LLM 主干中提取“文本拒绝方向”，就为图像、视频等多模态输入注入安全约束，从而绕开多模态安全数据难收集的问题。

事件核心：发生了什么

根据论文摘要，多模态大模型（MLLM）的安全对齐通常依赖不安全的多模态数据做后训练，或通过激活干预（activation steering）实现，但这类数据收集成本高、每种模态都要重新采集，还涉及伦理与法律风险。作者因此提出一个更轻的假设：直接从语言模型主干中提取的文本拒绝方向，能否跨模态泛化到图像和视频。

初步结果显示这一能力确实存在，但效果受层选择、干预强度和跨模态对齐影响；跨模态不对齐还会把安全的多模态输入误推向拒绝。基于此，作者提出 Modality-Agnostic Refusal Steering（MARS）：无需多模态安全数据、无需训练，通过激活中心化修正模态错位，在几何定义的信任域内自适应调节干预强度，并选择最优干预层，作用于生成首个 token 时。摘要称，在五个 SOTA MLLM 上，该方法在安全性、实用性及视频越狱任务中取得一致的安全提升，并保持实用性，直至出现过度拒绝。需要说明，以上均来自论文摘要，并非已上线产品或经同行评审的定论。

为什么重要

多模态安全数据一直是 MLLM 对齐的瓶颈。如果“文本拒绝方向”真能跨模态复用，安全对齐就可能从“堆数据”转向“改激活”，降低数据采集成本，也给开源模型和中小团队提供一条更轻的合规路径。对行业而言，这意味着安全能力可能更多内嵌在模型推理阶段，而非依赖昂贵的数据管线。

对用户/开发者/创作者的影响

对开发者，MARS 的思路值得关注：不训练、不改数据，只在推理时做激活干预，理论上更容易接入现有模型服务。但层选择、强度和信任域参数需要调优，误拒风险也需实测。对使用图像或视频生成、多模态审核的团队，这类方法可能成为内容安全过滤的补充手段，但目前公开信息只支持摘要结论，不宜当作可立即上线的 API 能力。