SAFETYEDIT: Размораживание внутренних целей с помощью быстрого и широкого контроля за пробками в тюрьме LLM

arXiv:2610.22640v1 Annuales Type: New Habstrate: Model-редакционные задние двери призваны вызвать вредную реакцию под воздействием спускового устройства, сохраняя при этом обычное поведение на невыдвинутых входах. Последние подходы к редактированию моделей направлены на то, чтобы дать положительный ответ через обновление первого ранга для небольшого подмножества весов модели. Тем не менее, когда этот целевой показатель уровня префикса будет достигнут, модель все же может вернуться к отказу или дать последовательный и явно соответствующий требованиям ответ, который не отвечает просьбе. Для преодоления этого ограничения существующие подходы, основанные на внутренней представленности, переключают акцент с выставленных символов на плотные и высокомерные направления соблюдения в скрытом пространстве. Существующие подходы на уровне представительства основаны на ограничениях в плане сохранения условий, что побуждает нас задаться вопросом о том, может ли более узкий внутренний целевой показатель обеспечить иной компромисс между эффективностью и сохранением. Исходя из сопоставимого потенциала контроля за однокоординированным вмешательством, мы расследуем малозначительный связанный с отказом коорд MLP