refusal-relocates

クイックスタート · 使い方 · CLI · 結果 · 再現 · FAQ · 引用 ニュース 2026-09-28 コードを公開。論文の表を再構築する実行記録とスクリプトも含む。 概要 数十個の有害な例で、アラインメント済みモデルの有害リクエストへの拒否を解除できる。先行研究では安全性を特定の層と方向に局在化しており、これは発見された場所を保護することを示唆する。本リポジトリはその前提を、適応的攻撃者が行うように検証する。拒否が回復できる場所を見つけ、その領域を凍結して再度攻撃し、重み更新を修復してから攻撃者にそれを拡散させる。 本研究は3つの測定に基づく。 拒否は1つの深さで回復する。...