研究者提出减法式微调提升模型安全鲁棒性

Hamid Dashtbani 与 Alexandra Dmitrienko 提出 Addition by Subtraction 方法：在微调中逐步移除已识别的安全关键神经元，再用偏好优化让模型其他部分重建安全对齐行为。 据作者报告，所得模型对剪枝类攻击显著更鲁棒，对拒绝方向消融及多种黑盒越狱攻击的防御也同步提升，真实性改善且通用能力基本保留；在来自 3 家厂商的 4 个模型上实验一致有效，部分攻击成功率最多降低 90%。上述效果均为作者自述，尚待独立验证。

AI 根据报道生成 · 53 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。