全部论文

作者把对齐模型的越狱和过度拒绝，改写成残差流上从识别到写入的通路问题，并据此做解码前的条件提醒。

作者分析量化、剪枝和 KV 缓存压缩如何同时改变 LRM 的显存、推理和越狱脆弱性。。

作者研究拒答表示是否随架构改变，结论是表示共享、读取位置随架构变。

这篇工作在越狱已经绕过拒绝之后，检查注意力头是否出现功能分化，并把留下的内部激活用于免训练检测。

LOCA 用尽量少的、可解释的中间表示变化，解释单次越狱为何能绕过拒答。

作者用注意力头机制分析 continuation-triggered jailbreak：同一有害指令下，把 continuation 后缀从指令后面挪到提示词边界外，模型更容易顺着后缀继续生成。