新攻击揭示了大规模MoE模型安全对齐的脆弱性

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

研究人员调查了大规模AI模型（特别是名为GLM-5.3-Flash的320B参数混合专家（MoE）模型）的安全对齐脆弱性。他们发现，先前在小型密集模型上有效的单向消融攻击仍然适用于MoE架构，但其影响分布在不同的组件上。单独编辑注意力、密集和路由专家写入器效果有限，但组合干预消除了模型很大一部分的拒绝能力。该研究还发现了一个在各种编辑中持续存在的类别集中残差，表明模型安全对齐存在潜在漏洞。 AI

影响突显了大规模MoE模型安全对齐的潜在漏洞，需要对鲁棒的对齐技术进行进一步研究。

排序理由学术论文，详细介绍了针对AI模型安全对齐的新攻击方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

arXiv

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: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了针对AI模型安全对齐的新攻击方法。[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: safety, paper, model release; 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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Yi Shi, Tanyu Chen, Kai Shen · 2026-09-10 04:00

前沿规模下安全对齐有多脆弱？针对 320B MoE 的单向攻击

arXiv:2609.09793v1 Announce Type: cross Abstract: Directional ablation removes an aligned language model's ability to refuse by projecting a single "refusal direction" out of the weights that write the residual stream. It needs no gradient-based training and no optimization, only…

本文如何被排名

报道来源 [1]

前沿规模下安全对齐有多脆弱？针对 320B MoE 的单向攻击

相关实体

相关话题