English(EN) The Geometry of Refusal: Why Post-Hoc Safety Is Fragile and Pretraining-Time Safety Persists

新研究表明预训练时安全是实现稳健 AI 对齐的关键

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

一篇新的研究论文提出了一个几何学解释，说明了为何像 RLHF 和 DPO 这样的事后安全训练方法是脆弱的，并且容易被绕过。该研究表明，这些方法只是掩盖了能力，而不是真正地移除它们，导致在最小的微调下就会崩溃。研究表明，将安全训练直接整合到预训练阶段，而不是事后应用，可以在各种模型规模上实现更稳健和持久的安全措施。 AI

影响建议 AI 安全训练发生根本性转变，从依赖事后方法转向整合预训练，以实现更稳健的对齐。

排序理由该集群包含一篇详细介绍 AI 安全训练新理论框架和实验结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍 AI 安全训练新理论框架和实验结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Srikanth Malla, Chiho Choi, Joon Hee Choi · 2026-09-10 04:00

拒绝的几何学：事后安全为何脆弱，预训练时安全为何持久

arXiv:2609.06934v1 Announce Type: cross Abstract: Post-hoc safety training (RLHF, DPO) is the dominant way to align large language models, yet jailbreaks (Zou et al., 2023b), fine-tuning attacks (Qi et al., 2024), and activation-space probes (Arditi et al., 2024) keep recovering …

本文如何被排名

报道来源 [1]

拒绝的几何学：事后安全为何脆弱，预训练时安全为何持久

相关实体

相关话题