LLM 不安全代码生成的外科手术式修复

研究者发现大语言模型生成不安全代码并非知识缺陷，同一批模型在被直接询问时能正确识别并解释漏洞，作者将这一差距称为 Format-Reliability Gap。机制分析显示，安全表征从最早层就已编码，但在最后一层之前保持计算惰性，格式遵从要求在最后一层与安全表征竞争。由于失败局限于单一层，按漏洞定制的 steering 向量最多可将不安全生成减少 74%，且开销可忽略。该机制和修复方法在五个模型、三个架构家族和六种漏洞类型上均成立，作者据此认为不安全代码生成是可解释性问题而非训练产物。