D²-Monitor：基于犹豫感知路由的扩散LLM动态安全监控

尽管扩散大语言模型（D-LLM）作为自回归大语言模型（AR-LLM）的替代方案已经兴起，但针对D-LLM的安全监控在很大程度上仍未被探索。与AR-LLM不同，D-LLM通过多步去噪过程生成文本，暴露出中间隐藏表示，其中可能包含在标准单步监控设置中无法获得的安全相关信息。考虑到轻量探针适合持续在线监控，我们分析了哪些轨迹级信号最能指示此类探针何时可能失效。我们发现最具信息量的信号是安全犹豫：中间隐藏状态反复落入探针决策边界的窄小边缘范围内。D-LLM轨迹中此类犹豫步的数量能有效预测探针失败，为样本难度提供了一个代理指标。基于这一分析，我们提出D²-Monitor，一个面向D-LLM的双层安全监控器。D²-Monitor采用轻量探针作为持续在线监控器，联合估计犹豫程度并执行基础分类。当犹豫程度超过阈值时，激活一个表达能力更强但计算开销更大的探针。这种动态路由机制在测试时高效分配监控资源。在4个D-LLM上的3个数据集（WildguardMix、ToxicChat、OpenAI-Moderation）评估中，D²-Monitor以紧凑的参数规模（≤0.85M参数）取得最先进性能，并在效果与效率的权衡上相对8个基线表现最佳。