Breaking the Safety-Capability Tradeoff: Reinforcement Learning with Verifiable Rewards Maintains Safety Guardrails in LLMs
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Cho, Dongkyu Derek, Song, Huan, Chowdhury, Arijit Ghosh, An, Haotian, Wang, Yawei, Thekkanal, Rohit, Sokhandan, Negin, Keshava, Sharlina, Marlowe, Hannah |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Learning from Generalization Patterns: An Evaluation-Driven Approach to Enhanced Data Augmentation for Fine-Tuning Small Language Models
par: Song, Huan, et autres
Publié: (2025)
par: Song, Huan, et autres
Publié: (2025)
Improved Few-Shot Image Classification Through Multiple-Choice Questions
par: Khullar, Dipika, et autres
Publié: (2024)
par: Khullar, Dipika, et autres
Publié: (2024)
Implicit Updates for Average-Reward Temporal Difference Learning
par: Kim, Hwanwoo, et autres
Publié: (2025)
par: Kim, Hwanwoo, et autres
Publié: (2025)
Automated Virtual Product Placement and Assessment in Images using Diffusion Models
par: Alam, Mohammad Mahmudul, et autres
Publié: (2024)
par: Alam, Mohammad Mahmudul, et autres
Publié: (2024)
CR4T: Rewrite-Based Guardrails for Adolescent LLM Safety
par: An, Heajun, et autres
Publié: (2026)
par: An, Heajun, et autres
Publié: (2026)
Breaking Free: How to Hack Safety Guardrails in Black-Box Diffusion Models!
par: Kotyan, Shashank, et autres
Publié: (2024)
par: Kotyan, Shashank, et autres
Publié: (2024)
Building Effective Safety Guardrails in AI Education Tools
par: Clark, Hannah-Beth, et autres
Publié: (2025)
par: Clark, Hannah-Beth, et autres
Publié: (2025)
SGuard-v1: Safety Guardrail for Large Language Models
par: Lee, JoonHo, et autres
Publié: (2025)
par: Lee, JoonHo, et autres
Publié: (2025)
Safety Guardrails for LLM-Enabled Robots
par: Ravichandran, Zachary, et autres
Publié: (2025)
par: Ravichandran, Zachary, et autres
Publié: (2025)
AGrail: A Lifelong Agent Guardrail with Effective and Adaptive Safety Detection
par: Luo, Weidi, et autres
Publié: (2025)
par: Luo, Weidi, et autres
Publié: (2025)
The Verifier Tax: Horizon Dependent Safety Success Tradeoffs in Tool Using LLM Agents
par: Sah, Tanmay, et autres
Publié: (2026)
par: Sah, Tanmay, et autres
Publié: (2026)
Test-Time Training Undermines Safety Guardrails
par: Antonelli, Simone, et autres
Publié: (2026)
par: Antonelli, Simone, et autres
Publié: (2026)
Bypassing Safety Guardrails in LLMs Using Humor
par: Cisneros-Velarde, Pedro
Publié: (2025)
par: Cisneros-Velarde, Pedro
Publié: (2025)
A Lightweight Explainable Guardrail for Prompt Safety
par: Islam, Md Asiful, et autres
Publié: (2026)
par: Islam, Md Asiful, et autres
Publié: (2026)
Backtracking for Safety
par: Sel, Bilgehan, et autres
Publié: (2025)
par: Sel, Bilgehan, et autres
Publié: (2025)
The Safety-Privacy Tradeoff in Linear Bandits
par: Zibaie, Arghavan, et autres
Publié: (2025)
par: Zibaie, Arghavan, et autres
Publié: (2025)
Fast Computer Model Calibration using Annealed and Transformed Variational Inference
par: Cho, Dongkyu Derek, et autres
Publié: (2022)
par: Cho, Dongkyu Derek, et autres
Publié: (2022)
Bag of Tricks for Subverting Reasoning-based Safety Guardrails
par: Chen, Shuo, et autres
Publié: (2025)
par: Chen, Shuo, et autres
Publié: (2025)
Why Do Safety Guardrails Degrade Across Languages?
par: Zhang, Max, et autres
Publié: (2026)
par: Zhang, Max, et autres
Publié: (2026)
PoseGuard: Pose-Guided Generation with Safety Guardrails
par: Wang, Kongxin, et autres
Publié: (2025)
par: Wang, Kongxin, et autres
Publié: (2025)
When in Doubt, Cascade: Towards Building Efficient and Capable Guardrails
par: Nagireddy, Manish, et autres
Publié: (2024)
par: Nagireddy, Manish, et autres
Publié: (2024)
Generative Data Augmentation using LLMs improves Distributional Robustness in Question Answering
par: Chowdhury, Arijit Ghosh, et autres
Publié: (2023)
par: Chowdhury, Arijit Ghosh, et autres
Publié: (2023)
Lightweight Safety Guardrails Using Fine-tuned BERT Embeddings
par: Zheng, Aaron, et autres
Publié: (2024)
par: Zheng, Aaron, et autres
Publié: (2024)
Safety Through Reasoning: An Empirical Study of Reasoning Guardrail Models
par: Sreedhar, Makesh Narsimhan, et autres
Publié: (2025)
par: Sreedhar, Makesh Narsimhan, et autres
Publié: (2025)
Guardrails in Logit Space: Safety Token Regularization for LLM Alignment
par: Bach, Thong, et autres
Publié: (2026)
par: Bach, Thong, et autres
Publié: (2026)
A Guardrail for Safety Preservation: When Safety-Sensitive Subspace Meets Harmful-Resistant Null-Space
par: Zhang, Bingjie, et autres
Publié: (2025)
par: Zhang, Bingjie, et autres
Publié: (2025)
RLNVR: Reinforcement Learning from Non-Verified Real-World Rewards
par: Krishnan, Rohit, et autres
Publié: (2025)
par: Krishnan, Rohit, et autres
Publié: (2025)
Aegis2.0: A Diverse AI Safety Dataset and Risks Taxonomy for Alignment of LLM Guardrails
par: Ghosh, Shaona, et autres
Publié: (2025)
par: Ghosh, Shaona, et autres
Publié: (2025)
Belonging and Transnational Refugee Settlement
par: Marlowe, Jay
Publié: (2021)
par: Marlowe, Jay
Publié: (2021)
Belonging and Transnational Refugee Settlement
par: Marlowe, Jay
Publié: (2021)
par: Marlowe, Jay
Publié: (2021)
Cutting Loose.
par: Marlowe, John
Publié: (1994)
par: Marlowe, John
Publié: (1994)
Dealing with the Evil Twins: Improving Random Augmentation by Addressing Catastrophic Forgetting of Diverse Augmentations
par: Cho, Dongkyu, et autres
Publié: (2025)
par: Cho, Dongkyu, et autres
Publié: (2025)
The Supportiveness-Safety Tradeoff in LLM Well-Being Agents
par: Lalwani, Himanshi, et autres
Publié: (2026)
par: Lalwani, Himanshi, et autres
Publié: (2026)
Elucidating Optimal Reward-Diversity Tradeoffs in Text-to-Image Diffusion Models
par: Jena, Rohit, et autres
Publié: (2024)
par: Jena, Rohit, et autres
Publié: (2024)
PSG-Agent: Personality-Aware Safety Guardrail for LLM-based Agents
par: Wu, Yaozu, et autres
Publié: (2025)
par: Wu, Yaozu, et autres
Publié: (2025)
SafeHarbor: Hierarchical Memory-Augmented Guardrail for LLM Agent Safety
par: Liu, Zhe, et autres
Publié: (2026)
par: Liu, Zhe, et autres
Publié: (2026)
Bridging the Safety Gap: A Guardrail Pipeline for Trustworthy LLM Inferences
par: Han, Shanshan, et autres
Publié: (2025)
par: Han, Shanshan, et autres
Publié: (2025)
ConsisGuard: Aligning Safety Deliberation with Policy Enforcement in LLM Guardrails
par: Wang, Yan, et autres
Publié: (2026)
par: Wang, Yan, et autres
Publié: (2026)
MrGuard: A Multilingual Reasoning Guardrail for Universal LLM Safety
par: Yang, Yahan, et autres
Publié: (2025)
par: Yang, Yahan, et autres
Publié: (2025)
Auto-Tuning Safety Guardrails for Black-Box Large Language Models
par: Abdulkadir, Perry
Publié: (2025)
par: Abdulkadir, Perry
Publié: (2025)
Documents similaires
-
Learning from Generalization Patterns: An Evaluation-Driven Approach to Enhanced Data Augmentation for Fine-Tuning Small Language Models
par: Song, Huan, et autres
Publié: (2025) -
Improved Few-Shot Image Classification Through Multiple-Choice Questions
par: Khullar, Dipika, et autres
Publié: (2024) -
Implicit Updates for Average-Reward Temporal Difference Learning
par: Kim, Hwanwoo, et autres
Publié: (2025) -
Automated Virtual Product Placement and Assessment in Images using Diffusion Models
par: Alam, Mohammad Mahmudul, et autres
Publié: (2024) -
CR4T: Rewrite-Based Guardrails for Adolescent LLM Safety
par: An, Heajun, et autres
Publié: (2026)