연구진은 이미지 가드레일이 고정된 안전 정책 하에서 훈련되고 평가되는 기존 방식의 한계를 지적했어요. 실제 환경에서는 동일한 이미지가 제품에 따라 다르게 제한될 수 있으며, 정책 변경에 따라 허용 여부가 바뀔 수 있기 때문이에요. PolicyShiftBench 벤치마크를 통해 정책 변화에 대한 모델의 적응력을 평가하고, PolicyShiftGuard라는 새로운 모델을 제안했어요.
PolicyShiftGuard는 무작위 정책 SFT(RP-SFT)와 경계 쌍 정책 적응(BP-Adapt)을 결합한 2단계 훈련 방식을 사용하며, BP-Adapt는 동일한 이미지와 위험 카테고리에 대한 일치된 프롬프트를 사용하여 표준 레이블 감독과 쌍 비교 손실을 통해 차단 정책과 통과 정책을 분리해요. 실험 결과, 기존 VL 모델과 전문 가드레일은 정책 변화에 취약하지만, PolicyShiftGuard는 정책 민감성 성능을 크게 향상시켰어요.
7B 모델은 PolicyShiftBench에서 76.9의 최고 F1 점수와 72.1의 PSS 점수를 달성했으며, UnSafeBench와 SafeEditBench에도 잘 적용되고, 간결한 출력 형식으로 지연 시간-성능 균형을 개선했어요. 실험 결과, 일치된 통과/차단 경계 쌍이 안정적인 정책 적응에 필수적이라는 것을 확인했어요.