ResponseGuard 以單次前向傳播攔截多模態有害回覆，延遲較推理式防護低約 150 倍

新提出的 ResponseGuard 挑戰「安全模型也需要逐步推理」的設計。系統以 Qwen3-VL-Embedding-2B 為骨幹，凍結視覺編碼器，再用 LoRA、兩組安全／有害參考向量及小型分類頭，匯集使用者提示、圖片與目前回覆的表示。輸出是單一有害機率，不解碼理由或標籤 token，因此每次檢查只需一次前向傳播；部署端可在每個句子完成後重新評分，超過門檻便中止生成。

作者在同一張 RTX A6000、BF16、暖快取條件下，測得 ResponseGuard-2B 判斷延遲中位數為 67.6 毫秒；GuardReasoner-VL-3B 平均生成約 238 個推理 token，耗時 10.12 秒。多模態回覆有害性測試的加權 F1 分別為 77.31 與 76.56。將推理鏈重新抽樣，只改變 2.5% 的文字判斷及 7.8% 的圖片判斷，鏈長與正確率也幾乎沒有相關，支持部分安全推理可能只是事後解釋。

串流模擬在 0.5 門檻下可於完成前攔下 95% 有害回覆，並隱藏 87.7% 有害文字；代價是 28.5% 正常回覆也被誤停。圖片仍是弱點：推理基線在提示審查整體領先，ResponseGuard 的不確定性亦集中於純圖片案例。更關鍵的是，儲存庫目前只有說明文件，權重、訓練與評估 notebook、串流工具及預處理切分仍標示「coming soon」。工程團隊應等待可執行產物，並以自身語言、圖片類型和可接受誤攔率重新校準，而不能直接採用論文門檻。