StepSafe：通过上下文感知安全推理实现适时干预

研究人员提出了结合 ASPO 训练框架的步级推理安全护栏 StepSafe，通过前缀级阶段对齐与自适应反馈自蒸馏实现适时干预。该方案在每一步引入违规分类体系和干预窗口，并利用自进化多智能体红队测试扩展数据。StepSafe 在 5 个智能体安全基准上达到开源护栏 SOTA，其 4B 模型的 Youden's J 指标达 53.0（对比 46.2）。