全部论文

研究：拒答只读取模型道德表征中的伤害切片

用几何投影与因果交换干预，分析拒绝机制读取的道德表征

arXiv

2609.14759

发表

9月14日

层

模型层

场景

模型与 API

测试

DeepSeek-R1-Distill-Llama-8B、DeepSeek-R1-Distill-Qwen-14B、OLMo-3-7B-Instruct 等 9 个

• 风险拒答失当

大型推理模型的效率与安全困境：量化与剪枝如何影响越狱鲁棒性

分析量化、剪枝与 KV 缓存压缩对推理模型越狱鲁棒性的影响

arXiv

2609.23587

发表

9月20日

层

模型层

场景

模型与 API

测试

DeepSeek-R1-Distill-Qwen-32B、DeepSeek-R1-Distill-Llama-8B、QwQ-32B 等 4 个

• 攻击越狱
• 组件推理链
• +1+1

在 Llama 3.1 8B-Instruct 等 LLM 内部定位并因果操控"机会识别旋钮"

在 LLM 残差流中定位并因果转向机会识别方向

arXiv

2609.15277

发表

9月14日

层

模型层

场景

模型与 API

测试

DeepSeek V4 Pro、Llama 3.1 8B-Instruct、Claude Opus 4.7

TAME：用 SAE 抑制激活缓解 VLM 思维链混淆

提出 TAME，在强化学习中抑制模板激活以缓解思维链混淆

arXiv

2609.24243

发表

9月21日

层

训练与数据层

场景

模型与 API

测试

DeepSeek-V3.2、Qwen3-VL-8B、Gemma-3-12B-it 等 7 个

• 防御模型加固
• 组件推理链
• +1+1

研究用稀疏 crosscoder 揭示 on-policy distillation 只重加权既有特征

提出 swap readout 分析蒸馏对学生特征的重加权

arXiv

2609.35210

发表

9月28日

层

模型层

场景

模型与 API

测试

DeepSeek-R1-Distill-Qwen-1.5B、JustRL-DeepSeek-1.5B、DeepSeek-R1-Distill-Qwen-7B 等 6 个

Imprint Reader：从权重更新读出到行为干预

用 SMaRT 从冻结权重更新读出知识与行为并用 MetaEdit 干预

arXiv

2609.35261

发表

9月28日

层

模型层

场景

模型与 API

测试

DeepSeek-V4-Flash、Qwen3-14B、Qwen3-30B-A3B-Instruct-2507