可解释性arXiv:2610.05541 · 10月5日研究者提出 CAP 指标与 CSFD 算法，发现越狱通过压制安全特征绕过拒答提出 CAP 与 CSFD，发现越狱通过压制安全特征绕过拒答模型与 API·测试Gemma-2-2B、Qwen3-8B、Gemma-3-4B-IT 等 5 个·模型层越狱拒答失当摘要论文指出越狱通过抑制安全特征运作，提出 CAP 与 CSFD 补充了针对激活特征的解释性方法。完整解读