EVA：通过模型编辑实现抵御越狱的通用对齐

EVA 框架通过直接模型编辑实现面向 LLM 和 VLM 的越狱防御，将安全对齐重构为精确知识修正任务，并定点编辑易受有害指令影响的特定神经元。该方法定位并修改这些神经元以中和有害行为，论文实验显示其在 LLM 与 VLM 上缓解越狱的效果优于基线。它无需重训大量参数，尽量保留通用推理能力，适用于部署后的安全对齐。