可解释性arXiv:2609.06934 · 9月7日论文提出拒答的几何解释：事后安全训练脆弱，预训练期持续安全共训更抗攻击用权重几何解释事后安全脆弱，并提出预训练持续安全共训练模型与 API·测试Qwen-2.5-7B、Qwen-2.5-7B-Instruct、Llama-3-8B 等 15 个·模型层模型加固模型篡改拒答失当微调与开源权重摘要论文将后验安全脆弱性归因于正交抑制，并提出通过预训练持续共训练实现具备微调抗性的安全防护。完整解读
攻击arXiv:2609.33985 · 9月28日研究：众包微调数据投毒可放大专有指令抽取提出主题锚点投毒，放大众包微调后的专有指令提取模型与 API攻击者黑盒·测试Qwen2.5-7B-Instruct、Qwen2.5-14B-Instruct、Llama-3.1-8B-Instruct 等 6 个·训练与数据层投毒与后门潜伏触发微调与开源权重+1+1摘要论文提出基于主题锚点的数据中毒攻击，证明低比例的中毒样本可在黑盒条件下隐蔽放大微调指令泄漏。完整解读