English(EN) Harmfulness Propagation Dynamics: Layer-wise Trajectories of Adversarial Intent in Large Language Models

新研究揭示LLM如何产生有害意图，并引入“Herald”审核器

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

研究人员发现了一种“有害性传播动力学”（HPD）现象，即有害意图在大型语言模型中的表示随着模型深度的增加而增加。这表明有害性是一种逐步解决的语义属性，其完整意图在模型的后期层中得到巩固。为了解决这个问题，开发了一种名为“Herald”的轻量级输入审核器。Herald从跨层投影序列中提取特征来对有害提示进行分类，实现了高准确率，并提供了模型内部有害性如何产生的可解释审计跟踪。 AI

影响提供了一种理解和减轻LLM有害输出的新方法，有望提高模型的安全性和可解释性。

排序理由该集群包含一篇详细介绍新研究发现和分析LLM行为的提议方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 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: 16 / 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新研究发现和分析LLM行为的提议方法的学术论文。[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.CL TIER_1 English(EN) · Noor Islam S. Mohammad, Ulu\u{g} Bayaz{\i}t · 2026-09-15 04:00

有害性传播动力学：大型语言模型中对抗性意图的层级轨迹

arXiv:2609.13534v1 Announce Type: new Abstract: We identify \textbf{Harmfulness Propagation Dynamics (HPD)}: for harmful prompts, the projection of the last-token hidden state onto a learned harm direction rises monotonically with transformer depth, whereas benign prompts remain …

本文如何被排名

报道来源 [1]

有害性传播动力学：大型语言模型中对抗性意图的层级轨迹

相关实体

相关话题