Authorize-on-Demand：面向VLM的按需动态授权与合法性感知知识产权保护

视觉-语言模型（VLM）的快速采用加剧了对这些高价值预训练模型进行稳健知识产权（IP）保护的需求。有效的IP保护应主动将模型部署限制在授权域内，并防止未授权转移。然而，现有方法依赖静态的训练时定义，限制了动态环境中的灵活性，且对未授权输入常产生不透明的响应。为解决这些局限，我们提出面向VLM的按需动态授权与合法性感知知识产权保护（AoD-IP），一个支持按需授权和合法性感知评估的框架。AoD-IP引入一个轻量级动态授权模块，实现灵活的、用户可控的授权，允许用户在部署时按需主动指定或切换授权域。这使模型能够随应用场景演进而无缝适配，并提供远超现有静态域方法的可扩展性。此外，AoD-IP还纳入双路径推理机制，联合预测输入合法性感知与任务特定输出。在多个跨域基准上的全面实验结果表明，AoD-IP保持强大的授权域性能和可靠的未授权检测，同时支持用户可控授权以在动态环境中自适应部署。