Some text is shown in its original language while the English translation is being prepared.
arXiv· arXiv:2602.08741· Jona te Lintelo, Lichao Wu, Stjepan Picek·Indexed by this site · Originally publishedSelectedAttention58 大语言脑白质切除术：通过静默专家越狱 MoE 模型
Large Language Lobotomy: Jailbreaking Mixture-of-Experts via Expert Silencing
AI reading guide
论文提出 L3，一种无需训练、与架构无关的越狱方法，通过识别并静默 MoE 模型中对拒答起关键作用的专家来绕过安全对齐。方法先用 LSTM 对专家路由轨迹分类，再按梯度归因定位安全专家，并在推理时自适应静默排名最高的专家。在八个开源 MoE 模型上，平均攻击成功率从 7.3% 升至 70.4%，最高达 86.3%，多数模型静默不到 20% 的层内专家即可绕过护栏，通用语言能力平均下降 3.5%。在八个模型中的六个上，L3 的攻击成功率高于此前的 GateBreaker。
Deep readingGenerating
Why it was selected
论文在八个开源 MoE 模型上给出专家静默的攻击成功率，并指出安全能力集中在少数专家这一结构性弱点。
Read originalarxiv.org