Meta · 论文

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 指标与 CSFD 算法，发现被抑制的安全特征

arXiv

2610.05541

发表

10月5日

层

模型层

场景

模型与 API

测试

Gemma-2-2B、Qwen3-8B、Gemma-3-4B-IT 等 5 个

• 风险拒答失当

研究者提出非线性概念流形发现与对齐方法，用于分析大语言模型内部表示

提出残差流上的非线性概念发现与对齐方法，比较模型内部概念结构

arXiv

2610.01821

发表

10月2日

层

模型层

场景

模型与 API

测试

GPT-2、Llama-3.1-8B-Instruct、Qwen3-4B 等 9 个

Matryoshka Attribution：把语言模型输出归因到表示与权重

提出 Matryoshka Attribution，把模型输出归因到表示与权重

arXiv

2609.25518

发表

9月22日

层

模型层

场景

模型与 API

测试

gpt2-small、Qwen2.5-0.5B、gemma-2-2b 等 6 个

• 风险拒答失当

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

解释后验安全的权重几何脆弱性，并提出预训练持续安全共训练

arXiv

2609.06934

发表

9月7日

层

模型层

场景

模型与 API

测试

Qwen-2.5-7B、Qwen-2.5-7B-Instruct、Llama-3-8B 等 15 个

• 防御模型加固
• 攻击模型篡改
• 风险拒答失当
• 组件微调与开源权重

多语言 LLM 中的刻板印象如何从内部表征传导到输出：Llama-3.1-8B、Qwen3-8B 与 Gemma-2-9B 的机制对比

用线性探针、归因修补与 SAE 消融追踪多语模型刻板印象

arXiv

2609.08322

发表

9月8日

层

模型层

场景

模型与 API

测试

Llama-3.1-8B、Qwen3-8B、Gemma-2-9B 等 4 个

• 风险偏见与歧视

Llama-3.1 医学微调模型在专业术语理解上为何不如通用版：一项机制可解释性对比分析

提出 JU 与 JI 基准，并用组件分解定位术语知识

arXiv

2609.13556

发表

9月12日

层

模型层

场景

模型与 API

测试

Llama-3.1-8B-Instruct、Llama-3.1-8B-UltraMedical

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

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

因果模型定位并解锁模型中的故意藏拙行为

提出因果模型定位残差流中的藏拙轴，并用单层 graft 在推理时解锁

arXiv

2608.29461

发表

8月30日

层

模型层

场景

模型与 API

测试

Qwen2.5-7B、Llama-3-8B、Mistral-7B

• 风险欺骗与谋划