Token 的反击：基于方向性嵌入修订的安全感知去噪

基于摘要分析。本文研究文本扩散模型在推理阶段的安全引导，提出 SADDER（Safety-Aware Denoising with Directional Embedding-based Revision），通过逐 token 位置的嵌入或激活空间安全信号改进 Safety-Aware Denoiser（SAD）的更新，并分析修改后的去噪器所对应的目标分布。 原有 SAD 是无需训练的安全引导框架，在推理时将文本样本引向 token 概率空间中的安全区域。SADDER 将各位置的安全引导信号与 SAD 更新规则相乘，形成门控机制，使不安全信号较强的 token 更可能被修改。摘要未说明该信号的具体计算方法、所需安全监督及额外组件，因此不能据此确认 SADDER 的完整训练或部署条件。 理论贡献在于：门控后的更新不一定保持固定目标分布的条件均值，因此作者推导了新的逐位置目标分布，使修改后的去噪器对这些分布是精确的，并进一步推导逐位置目标分布与全局目标分布一致的条件。这为理解安全引导如何改变采样目标提供了可核对的理论切入点，但具体假设、证明范围和适用条件尚未验证。 作者报告，在 Masked Diffusion Language Models（MDLMs）和 Uniform-State Diffusion Models（USDMs）的不安全续写与越狱场景中，SADDER 相比现有方法取得了更好的安全性、生成质量与推理成本平衡。摘要未提供具体模型、数据集、对照方法、评价指标或数值，实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或跨模型稳定性。 本文的主要对象是文本生成安全，而非 EEG/BCI 解码。现有材料未建立 token 安全门控与神经信号建模之间的具体机制对应，因此不将其结果外推为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。