HoliSafe：6K 参数轻量检测器读 MoE 路由信号，错误率最高降 92%

HoliSafe 通过读取最终 prompt token 在全部 MoE 层的 router logits，并用逻辑回归计算不安全概率，超过阈值即拒绝请求。该检测器仅约 6K 参数，不增加额外前向开销，错误率最高降低 92%，OOD 攻击归零；研究发现“读出”安全信号比“操控”专家更有效。