refusal-relocates

빠른 시작 · 사용법 · CLI · 결과 · 재현 · FAQ · 인용 News 2026-09-28 코드가 공개되었으며, 논문의 표를 재구성하는 실행 기록과 스크립트가 함께 제공됩니다. Overview 수십 개의 유해한 예시만으로도 정렬된 모델의 유해한 요청 거부 능력을 제거할 수 있습니다. 선행 연구는 안전성을 특정 계층과 방향으로 국소화하며, 이는 발견된 위치를 보호하라는 시사점을 줍니다. 이 저장소는 그 전제를 적응형 공격자의 방식으로 검증합니다. 거부가 복구될 수 있는 위치를 찾아내고, 그 영역을 동결한 뒤 다시 공격하며...