arXiv 论文《Reading, Not Manipulating》：MoE 路由 logits 可检测有害图文组合

arXiv 论文《Reading, Not Manipulating》提出以 MoE 视觉语言模型的 router logits 检测有害图文请求。研究者通过在 prefill 阶段对路由状态做线性探针，可在生成前识别不安全组合，无需修改权重或干预路由。