English(EN) Refusal Localizes, the Damage Relocates: Safety Layers Under Few-Sample Fine-Tuning

大型语言模型安全层易受少样本微调攻击

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-03 04:00

研究人员调查了已对齐的大型语言模型（LLMs）中的安全层如何通过少样本微调被绕过。他们发现，即使只有少量有害示例，模型也会失去拒绝有害请求的能力。虽然先前的工作将这些安全行为定位到特定的模型组件，但本研究表明攻击者可以利用这些已识别的区域来对抗防御。该研究提出了层冻结和奇异方向移除等方法来恢复拒绝能力，但指出这些方法可能会被自适应微调策略削弱。 AI

影响展示了大型语言模型安全机制的新漏洞，可能需要新的防御策略来对抗自适应微调。

排序理由研究论文详细介绍了针对大型语言模型安全机制的新型攻击向量。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

Llama-3.1:8b

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: 4 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文详细介绍了针对大型语言模型安全机制的新型攻击向量。[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.LG TIER_1 English(EN) · Jungseob Lee, Dongyub Jude Lee, Sugyeong Eo, Seongtae Hong, Seungyoon Lee, Heuiseok Lim · 2026-10-03 04:00

拒绝本地化，损害转移：少样本微调下的安全层

arXiv:2610.00320v1 Announce Type: cross Abstract: Fine-tuning adapts aligned large language models (LLMs) to downstream tasks, but a few dozen harmful examples can remove their refusal of harmful requests. Prior work localizes safety-related behavior to specific layers, direction…

本文如何被排名

报道来源 [1]

拒绝本地化，损害转移：少样本微调下的安全层

相关实体

相关话题