HYSGUARD：面向流式 LLM 安全防护，重置安全状态而非生成过程

基于摘要分析。本文研究流式 LLM 安全监测中的“安全状态迟滞”：监测器积累的历史证据在安全状态切换后仍持续起作用，可能延迟从安全转向不安全时的告警，也可能延迟恢复安全后的解除。作者提出 HYSGUARD，将生成上下文的持续保留与安全决策状态的选择性遗忘分离，仅刷新监测器状态，不改变语言模型主干与 KV cache。 机制上，HYSGUARD 读取跨层隐藏状态，维护快、慢两种安全记忆，并根据二者的差异检测状态边界。作者给出了边界信号的形式化描述，以及状态开销为 O(r) 的在线算法；摘要未解释 r 的具体含义，也未披露记忆更新、阈值选择与状态刷新规则，相关实现尚未验证。 作者同时提出 SWITCHTRACE 评估套件，覆盖安全到不安全、不安全到安全及反复切换三类情形。作者报告通过受控机制测试与跨模型评估，区分时间适应能力和普通序列分类能力，并保留缓存自回归解码的部署优势。不过，摘要没有提供模型名单、数据构成、划分方式、基线、告警延迟、误报率或运行开销数值，实验协议、消融及统计信息尚未验证。 阅读重点是边界检测是否能可靠地区分真实风险变化与短时波动，以及刷新安全记忆是否在加快响应的同时损失必要的历史证据。论文的主要对象是 LLM 流式安全监测，并非 EEG 或 BCI；当前材料不足以建立其跨层隐藏状态机制与神经信号任务之间的具体对应关系，不据此推断 BCI 有效性。已有 EEG 相关工作尚未检索确认。