超越「抱歉，我不能」：拆解大语言模型的拒答机制

论文用稀疏自编码器（SAE）分析 Gemma-2-2B-IT 与 LLaMA-3.1-8B-IT 的拒答行为，发现拒答并非单一属性，而是由多层冗余神经特征构成。作者先定位区分有害与良性提示的拒答方向这一线性子空间，再用贪心过滤压缩到最小特征集，并用因子分解机刻画特征之间的非线性交互。结果显示，部分特征在更早特征被抑制之后才激活，形成级联式冗余防御，压制单一拒答方向可能触发备用特征而非完全绕过安全机制。作者据此提出直接检查拒答特征是否存在、连接是否完好、是否稳定的结构化审计思路，并讨论将该方法迁移到 VLA 等具身智能体动作门控的可行性。研究仅覆盖两个较小的开源模型，非线性分析为近似，且未用大规模消融实验验证因果。