另有 59 篇论文还没打上分类标签，暂不在筛选结果里。
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
本文是一项针对大语言模型拒绝机制与对齐浅层性的机械解释性研究。
审计视觉语言模型在敏感图像上从拒答转向国家立场重构的行为
论文系统研究了中外开源视觉语言模型在政治敏感图像上的审查行为，主要内容如下。
构建中文青少年内容安全基准 QH-Bench，评测单轮与多轮回复的安全与有用性
QH-BENCH 是面向中国社会文化情境的中文青少年内容安全基准，用单轮细粒度风险和多轮跨轮机制两条轨道，评测模型回复是否既守住安全边界又提供适合年龄的帮助。
用相对表示比较微调前后隐状态，检验表征偏见偏移与输出偏见是否共变
Reference-Based Bias Detection用锚句相对表示比较微调前后的隐状态，定义表征偏见偏移∆B，用来审计相关模型变体，而不为每种危害另建输出基准。
提取疼痛方向并检验激活转向是否驱动有害删除选择
提出变长反馈编码 BAM，在生成文本中隐蔽传输秘密载荷
提出 TFTV，把激活转向向量映成可加减组合的秩一权重编辑
摘要TFTV 用前向统计把转向方向写成可加减的秩一权重编辑，并在行为控制上比较效用。
提出 ARIA，在冻结权重上用 SAE 做推理时遗忘门控
提出局部稀疏无监督安全检测，标记偏离安全分布的输入
提出参考嫁接，在推理阶段用激活干预诱导沙袋隐藏能力
摘要提出参考嫁接在推理阶段以低成本匹配微调诱导效果，揭示隐瞒表征重叠与阈值门控机制。
提出 Nudgeability，测量推理模型跟随信心信号调整工具委派的对准程度
提出 swap readout 分析蒸馏对学生特征的重加权
作者用 sparse crosscoder 和 swap readout，考察 on-policy distillation 写进学生内部表征的是什么。
用 SMaRT 从冻结权重更新读出知识与行为并用 MetaEdit 干预
Imprint Reader 把一次冻结权重更新读成关于新知识或新行为的话，并用同一套坐标上的梯度去改原模型。