面向压缩多轮对话训练防御性 M2S 警戒模型

警戒模型是确保大型语言模型 (LLM) 部署安全的关键，但处理完整的多轮对话历史会产生显著的计算成本。我们提出了 Defensive M2S 训练范式，通过对多轮转单轮 (M2S) 压缩对话进行微调警戒模型，而非完整的对话历史。我们提供的形式化复杂度分析表明，M2S 将 n 轮对话的训练成本从 $O(n^2)$ 降低至 $O(n)$。经验上，在我们的数据集 (779 个样本，平均 10.6 轮) 上，M2S 仅需 169K token，而多轮基线则需 15.7M token —— 降低 93 倍。我们在 SafeDialBench 上评估了 Defensive M2S，该基准是综合性的多轮越狱基准测试。我们的 最佳配置，即使用 hyphenize 压缩的 Qwen3Guard，实现 93.8% 攻击检测召回率，同时将推理 token 减少 94.6%（从每次对话 3,231 个 token 降至 173 个 token）。这代表了比基线高出 38.9 个百分点的改进，同时显著降低了训练和推理成本。我们的发现表明，M2S 压缩可作为警戒部署的有效效率技术，使可对长多轮对话进行可扩展的安全筛选。