Penyelidikan Apple: Satu neuron sahaja boleh memintas penjajaran keselamatan model bahasa besar
Tajuk asal:A Single Neuron Is Sufficient to Bypass Safety Alignment in Large Language Models
Ringkasan AI
Penyelidik Apple mendapati penjajaran keselamatan dikawal oleh dua jenis neuron: neuron penolakan mengawal sama ada pengetahuan berbahaya dinyatakan, manakala neuron konsep mengekod pengetahuan berbahaya itu sendiri. Dalam tujuh model (1.7B hingga 70B parameter), hanya dengan menyekat satu neuron penolakan sudah cukup untuk memintas penjajaran keselamatan dan menjawab permintaan berbahaya; atau dengan memperkuat satu neuron konsep, kandungan berbahaya dapat dicetuskan daripada gesaan tidak berbahaya. Keseluruhan proses tidak memerlukan latihan atau kejuruteraan gesaan. Hasilnya menunjukkan penjajaran keselamatan dikawal secara kausal oleh neuron individu.
Maklumat penting
- Penyelidik Apple mendapati penjajaran keselamatan dikawal oleh dua jenis neuron: neuron penolakan…
- Dalam tujuh model (1.
- 7B hingga 70B parameter),hanya dengan menyekat satu neuron penolakan sudah cukup untuk memintas…
- atau dengan memperkuat satu neuron konsep,kandungan berbahaya dapat dicetuskan daripada gesaan…
- Keseluruhan proses tidak memerlukan latihan atau kejuruteraan gesaan.
Sekilas pandang
- Diterbitkan pada
- Dikemas kini pada
- Kategori
- Kertas penyelidikan
- Skor AI
- 74
苹果发现单个神经元足以绕过大模型安全对齐,在7个模型上验证了攻击,说明安全机制并非稳健分布,做安全攻防的必读。
Entiti Berkaitan
Sumber dan hak cipta
Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.
Cara memetik
Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.
Orange News: Penyelidikan Apple: Satu neuron sahaja boleh memintas penjajaran keselamatan model bahasa besar. 7 Julai 2026. https://new.nat6.net/ms/news/cmrasd6r300i2ihog8ifwrqs5/