全部论文

ACTR：对齐推理与回答以提升推理大语言模型的多语言安全

提出 ACTR，只更新安全思考神经元以对齐推理与回答的安全类别

arXiv

2609.37054

发表

9月29日

层

训练与数据层

场景

模型与 API

测试

Qwen3-8B、Gemma4-12B-it

• 防御模型加固
• 攻击越狱
• 组件推理链