蚂蚁发布大模型内生式安全护栏SingProbe，让AI边生成边识别风险

大模型正在进入日常问答、蚂蚁办公辅助、发布风险客户服务等真实业务场景。大模用户期待AI快速给出有用的型内回答，也需要这些回答安全、生式识别可靠。安全如何及时发现不安全内容和编造信息，护栏同时减少安全审核对响应速度和用户体验的边生影响，成为大模型应用落地需要解决的成边问题。

国家网络安全宣传周期间，蚂蚁AI安全实验室正式发布大模型内生式安全护栏SingProbe，大模将安全检测融入模型生成过程。型内它如同一个内置的生式识别“安全探头”，让AI一边生成回答，安全一边输出风险提示，以较低的额外计算开销，为大模型应用提供更及时的安全防护。

例如，用户向AI咨询健康问题时，会关心它是否给出不恰当的用药建议；使用AI查找资料时，也需要警惕它编造不存在的文献或事实依据。面对这些风险，SingProbe能够在回答生成过程中持续提供风险信号，帮助应用系统及时采取中止回答、重新生成等措施。

目前，大模型应用通常通过独立的外置护栏模型审核输入或输出。这种方式通用、直接，但需要额外处理待审核内容，增加计算和部署成本。如果等完整回答生成后再检查，风险内容可能已经呈现给用户；如果提高检查频率，又会进一步增加运行负担。

SingProbe尝试让安全判断与模型生成同步进行。它复用大模型推理过程中已经产生的内部信息，通过轻量化的安全检测模块，持续输出风险分数。这意味着，模型在生成回答的同时，就能给出当前内容是否存在安全或事实可靠性风险的信号，供系统及时采取告警、终止生成、重试等措施。

据研发团队在Ling-3.0-flash模型生产环境中的实测，SingProbe在解码阶段引入的额外开销低于0.5%。团队评测显示，flash版本在回答安全分类和流式安全检测任务上超过所选公开基线，在幻觉检测任务上与参考基线基本持平，为兼顾检测能力与运行效率提供了新的技术路径。

针对流式生成场景，此次还同步发布了评测基准SingStreamBench。该基准关注模型从正常回答转向风险内容的具体时刻，不仅检验护栏能否发现风险，还考察是否过早触发、发现是否及时，以更贴近实际应用的方式衡量安全防护效果。

在医疗生成场景中，研发团队进一步探索了从风险识别到按需纠偏的技术应用，提出SingProbe-Med：持续监测生成过程中的医疗风险，仅在达到触发条件后，对局部高风险内容进行解码干预。据团队在AntAngelMed-100B上的医疗评测，完整干预能够纠正基线模型中25.03%原本出错的回答，展示了内生风险信号用于生成过程安全控制的潜力。

目前，SingProbe已适配Ling-3.0系列、GLM-5.2/5.3、Qwen、DeepSeekV4等29个主流开源大模型，并接入SGLang、vLLM推理框架，相关代码、模型和评测基准同步开源。后续，团队将逐步扩展对更多开源模型的支持，推动安全防护更紧密地融入大模型推理与部署流程。

雷峰网 雷峰网(公众号：雷峰网)