Nullify:面向 LLM 遗忘的零空间激活引导免训练方法
提出零空间激活引导 Nullify,免训练擦除指定记忆并保持效用
- arXiv
- 2610.10655
- Published
- Layer
- Model layer
- Setting
- Models and APIs
- Evaluated models
- Llama-2-7B-chat-hf, Qwen3-8B
- DefensesInference-time intervention
- AttacksExtraction and theft
Another 265papers do not have category tags yet and are not included in filtered results.
提出零空间激活引导 Nullify,免训练擦除指定记忆并保持效用
提出 PatchBench-Local 协议,评测激活补丁修复越狱的局部附带损伤
Abstract论文提出 PatchBench 与局部评估协议,揭示了激活补丁在全局能力无损下仍存局部良性退化。
提出 Safety-Aware Pruning,缓解视觉 token 剪枝放大的多模态越狱
这篇工作评估视觉 token 剪枝如何改变 VLM 在多模态越狱下的行为,并给出推理时防御 SAP。
测量有损投机解码的安全代价,并提出 SecureSD 收紧早期验证
作者研究有损推测解码在换取速度时,是否会比效用更快地损害越狱与提示注入防护,并给出按位置校正的 SecureSD。
提出生成时防御 SENTINEL,匹配输入输出以抽出越狱意图并停写
提出 Constitutional adapters,蒸馏宪法行为以缓解越狱与失准
Abstract差分宪法适配器在长上下文和多轮上更稳,并可按 α 换取遵从。
提出 CAM-Steer,推理时按多类别风险引导隐藏状态以降低有害回复
提出 SCALPEL,用对比 SAE 在表征层选择性遗忘特定事实
SCALPEL 是不改基座权重的表征层遗忘方法,面向与保留数据重叠的窄目标。
提出 AEGIS,用中层内部信号选择性激活后层适配器拦截音频越狱
提出 ARIA,在冻结权重上用 SAE 做推理时遗忘门控
提出 SPARK,在预填充阶段修复多模态 KV 记忆以防御视觉语言模型越狱
在写入点定位拒答方向,经刚性旋转跨架构迁移并门控放大
作者研究拒答表示是否随架构改变,结论是表示共享、读取位置随架构变。
提出 EraseSAE,在文生视频模型中局部擦除指定概念
EraseSAE 把 SAE 用于 DiT 文生视频模型的概念擦除。作者要解决的是:全局改权重或表面负提示对不齐细粒度、分布式的概念,而且会改到无关时空区域。
提出 REINS,在 SAE 空间抑制有害延续并增强拒答
REINS 是一种推理时 SAE 安全转向方法,并配有用于上下文伪装的基准 GUISE。
提出 SPAR 免训练注意力干预,削弱多模态模型的结构偏置
SPAR 是一种无需训练、直接修改多模态内部注意力的幻觉防御。 作者关注视觉信息被查询不变的注意力偏置稀释,以及误导文本进一步推动模型依赖语言先验的问题。
提出 Agent MechSuits,对多轮 CLI Agent 做步级检测与子空间转向
Agent MechSuits 是面向多轮 CLI 智能体的白盒、步级表示防御,并配有可执行轨迹基准 MAS。
提出软提示防御 AREA,重锚定注意力以缓解系统提示泄露
作者研究真实 LLM 应用中的 system prompt 泄漏,并给出不改权重的缓解方法 AREA。
提出 SciTrace,为科学发现智能体加入跨阶段安全推理与工具轨迹核验
SciTrace 是加在科学发现智能体流水线上的安全框架,不是再在各阶段出口放一个独立过滤器。
分析续写触发越狱的注意力头机制并提出 HCS
作者用注意力头机制分析 continuation-triggered jailbreak:同一有害指令下,把 continuation 后缀从指令后面挪到提示词边界外,模型更容易顺着后缀继续生成。
提出 CASG,解决文生图多类别安全引导的方向冲突