安全监视器用于保护与外部工具和环境交互的语言模型代理，但保守的监控会产生大量误报，导致审查资源消耗过大并削弱对警报的信任。误报和真实警报往往在监视器原始得分中交织在一起，仍需大量人工验证才能确定可靠阈值。实际场景中，可能只有少量已验证安全且未触发警报的轨迹，而所有警报均未标记，这自然把误报审计视为正负样本（PU）排序问题。
关键难点在于监视器引入的选择偏差：已观察到的安全参考是被监视器接受的，而我们真正关心的安全误报恰恰是被错误标记的，这导致观察到的正例并不能很好代表待恢复的正例。为此我们提出两阶段框架。
第一阶段是 Trust-aware PU Supervision，它将安全参考适配到警报域，并对可能的误报施加有限的负向压力，以防止它们被过度排除。第二阶段是 Reliability-gated Rank Distillation，将多个 PU 参考模型的一致排序偏好蒸馏到单一学生模型中。随后 Consensus-guided Structural Refinement 利用层次化的安全参考支持、警报之间的关系以及预测的参考共识，对学生模型的排序进行结构化优化。
该框架在训练时不需要任何警报安全标签，也不改变底层监视器。实验在主流安全监视器上验证，宏观 AUPRC 达到 $0.6444$，比八个基线提升 $5.27\sim16.98$ 个百分点；相较于最强基线 PULDA，在 5% 审查预算下能够额外恢复 33.3% 的误报。
点评