研究揭示LLM拒答机制的不对称局部性
热点事件持续更新
研究揭示LLM拒答机制的不对称局部性
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
Yiqi Liu等人在arXiv发表论文称，LLM的拒答机制存在“破缺对称性”：即使模型干净地拒绝回答，正确答案仍可从其隐藏状态中线性恢复，且只需单位置修补就能释放被保留的答案；反向操作则不对称，重新施加抑制需要跨多个位置更广的干预，拼出连贯的拒绝序列更难。 研究通过受控保留设置对拒答机制做双向激活修补，并指出平均的答案到拒绝位移向量无法充当可靠可逆的线性控制开关，说明探针可恢复性会高估真实的行为控制能力。
AI 根据报道生成 · 2 小时前更新
最新进展10月27日 12:00
LLM 拒绝机制中的破缺对称性：答案释放比拒绝恢复更局部化报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.AILLM 拒绝机制中的破缺对称性：答案释放比拒绝恢复更局部化
研究通过受控保留设置对 LLM 拒绝机制做双向激活修补，发现即使模型干净地拒绝回答，正确答案仍可从隐藏状态中线性恢复，且释放被保留的答案只需单位置修补。反向操作则不对称：重新施加抑制需要跨多个位置的更广干预，拼出连贯的拒绝序列更难。平均的答案到拒绝位移向量无法充当可靠可逆的线性控制开关，说明探针可恢复性会高估真实行为控制能力。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。