WRDO：用加权聚合方向优化语言模型拒绝行为

Grigoriy Evseev 等作者提出加权拒绝方向优化（WRDO）：从逐提示方向库中用学习到的聚合权重构建复合拒绝方向，使不同有害提示对最终干预方向的贡献不相等。研究在三个开源权重模型上，以三个 guard judges 和 HarmBench 作为外部评估器，与单方向方法对比，并用标准效用基准测量对通用能力的影响；同一优化机制还被反向用于恢复 abliterated 模型检查点的拒绝行为。上述对比与效用结果由作者报告，尚待独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。