Khatri

研究发现，大型语言模型安全探测可跨模型家族泛化

一项新研究重现并扩展了先前关于使用潜在空间安全探测来检测大型语言模型中有害提示的研究。研究人员发现，在 LLaMA-3.1-8B、Gemma-4-E4B、Mistral-7B-v0.3 和 Qwen2-7B 等模型的激活上训练的轻量级 MLP 探测器，可以跨不同模型家族和规模进行泛化。他们的实验还表明，无论推理过程中使用的随机种子如何，最终的 token 潜在向量在不同架构之间保持一致。