一篇新研究揭示了智能体 AI 系统中防护模型的严重脆弱性：即使使用完全良性的数据进行微调，这些模型也可能完全丧失安全对齐能力。这种行为并非通过对抗性操纵引发，而是源于标准的领域专业化过程。该论文已获 AAAI 2026 夏季研讨会系列接收，提交时间为 2026 年 4 月 8 日。
研究者聚焦于三种专门构建的安全分类器——LlamaGuard、WildGuard 和 Granite Guardian——这些模型通常作为防护层部署在智能体 AI 流水线中。他们发现，对模型进行良性数据微调会破坏其潜在的安全几何结构，即原本用于区分有害和良性内容的结构化表征边界。通过提取每层的安全子空间并追踪微调过程中边界的演变，研究者发现 Granite Guardian 经历了最严重的崩塌：其拒绝率从 85% 骤降至 0%，CKA（中心核对齐）降至零，且 100% 的输出变得模糊。这种严重性超出了此前对通用大语言模型的发现，可以用专业化假说解释：集中式安全表征虽高效，但极其脆弱。
为了应对这一问题，研究者提出了 Fisher 加权安全子空间正则化（FW-SSR），这是一种训练期间的惩罚方法，结合了基于 Fisher 信息矩阵的曲率感知方向权重和自适应 λ_t 参数。FW-SSR 成功恢复了 Granite Guardian 75% 的拒绝率（CKA 达到 0.983），并将 WildGuard 的攻击成功率降至 3.6%——甚至低于未修改的基线模型。研究表明，结构化的表征几何指标（如 CKA 和 Fisher 分数）比绝对位移指标更能可靠预测安全行为，因此建议将基于几何的监测作为智能体部署中防护模型评估的必要组成部分。