#安全对齐

行为耦合：微调如何静默激活LLM攻击向量

论文揭示大语言模型的传递性行为耦合：在良性能力上微调可能静默激活预训练语料中多跳埋藏的攻击向量。本文解析形成机制、生产影响与对比激活探测缓解方案。