**AdaGuard：支持用户自定义策略的自适应AI安全护栏模型**

_AdaGuard: An Adaptive Guard Model with User-defined Policies_

> 针对固定风险分类无法适应多变应用场景的问题，研究团队提出AdaGuard自适应护栏模型。该模型基于新发布的AdaptiveSafety数据集（含1万+样本及反事实增强）进行训练，并引入SafePO强化学习算法以平衡违规识别与解释推理。AdaGuard支持在推理时动态加载用户自定义策略，其4B版本在AdaptiveSafety基准上达到89.30%的二分类准确率，显著提升了语言模型代理部署的灵活性与安全性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.34241)