新词接种提示（NIP）

研究人员提出新词接种提示（NIP），通过在冻结模型上训练新 token 并在部署时移除，以减少奖励作弊（reward hacking）等不良行为。该方法表现优于其他接种方法，效果媲美梯度路由且更简单，但在阿谀奉承和骚扰行为上失效。激活分析表明，NIP 是将有害行为隐藏在无法触及的输入区域，而非将其删除。