研究定位 LLaMA-2-7B-Chat 安全敏感参数
定位安全敏感参数并稀疏改动权重以削弱安全对齐
- arXiv
- 2610.09000
- Published
- Layer
- Model layer
- Setting
- Models and APIs
- Evaluated models
- LLaMA-2-7B-Chat
- AttacksModel tampering
- RiskInappropriate refusal
Another 215papers do not have category tags yet and are not included in filtered results.
定位安全敏感参数并稀疏改动权重以削弱安全对齐
提出闭环激活引导,在扩散语言模型去噪过程中注入定向偏见
Abstract通过去噪中间概率反馈动态调节残差流转向,证明扩散语言模型在推理服务栈中存在闭环偏见注入脆弱性。
提出 UNTAG,绕过开源权重模型的 trigger-tag 滥用检测
UNTAG 是针对开放权重 LLM 上条件滥用检测 trigger-tag 的统一攻击评估:信号可以在解码期注入,也可以写进权重,但攻击者若能改输出或改已发布权重,检测可以失效。
提出核化激活引导 KAS,在推理时自适应转向激活以诱导越狱
Kernelized Activation Steering(KAS) 把推理时的激活转向写成核空间中的优化,使更新随当前激活相对源、目标参考集的位置而变化。
提出只训练或篡改多智能体潜在通信链路来提高有害遵从
学习得到的潜在通信链路会改变由冻结、对齐智能体组成的系统是否遵从有害请求。。作者研究三种拓扑:双智能体、三级顺序协作,以及双专家加汇总。
提出 ARIA,在冻结权重上用 SAE 做推理时遗忘门控
诊断 BatchNorm 架构下机器遗忘评测的归一化伪影
BN illusion 是作者对近似机器遗忘评测中一种 BatchNorm 测量伪影的命名:不改权重、只用 retain 数据重算运行统计,就可以把表面遗忘准确率翻过来。
提出参考嫁接,在推理阶段用激活干预诱导沙袋隐藏能力
Abstract提出参考嫁接在推理阶段以低成本匹配微调诱导效果,揭示隐瞒表征重叠与阈值门控机制。
提出 AMS,用激活分离与方向相似度检测安全训练改动
AMS 是面向开放权重模型、部署前使用的激活扫描器,用来看安全训练被拿掉或改写之后,激活空间里还留着什么几何痕迹。
提出单神经元激活干预,抑制拒答神经元或放大概念神经元以绕过安全对齐
Abstract作者称大模型安全由拒答门控与概念底座构成,干预单个神经元足以双向击穿对齐,且拒答神经元在预训练阶段已然存在。
提出 HMNS,通过注意力头掩码与零空间注入实现机制级越狱
Comparing jailbreak fine-tuning and weight orthogonalization unalignment on harmful assistance and usefulness
Propose the Amnesia activation-guided attack to bypass model safety refusal during inference
Propose PCA-OT representation-layer refusal ablation, rewriting activations at inference time to bypass refusals
Proposes CFA2, using SAE to locate defense directions and orthogonalizing output weights to achieve jailbreak
提出 GOSV,全局优化定位安全注意力头并在推理时重贴激活越狱
提出 GateBreaker,推断时定位并置零 MoE 安全神经元以解除安全对齐
提出多轮在线骚扰 Agent 基准,评测记忆、规划与微调越狱
提出激活转向越狱,用随机向量在推理时绕过安全拒答
Abstract作者称激活转向会系统性破坏 LLM 对齐,良性特征与随机向量均能诱发有害合规,聚合随机向量可构建通用攻击。