热点事件持续更新
研究提出大模型越狱后门方法SAFETYEDIT
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月19日，arXiv发布了一项名为SAFETYEDIT的大语言模型越狱后门方法。该方法通过优化单个与拒绝相关的MLP坐标，并借助早期注意力层的KV cache标记传播触发信号，实现后门植入与全提示词控制。在4款开源权重大语言模型的测试中，SAFETYEDIT在12组对比中有11组取得了最高的触发Guard ASR，且在全部12组中均获得了最高的平均StrongREJECT分数。审计结果同时证实，在未触发状态下，该方法对模型的原有行为和通用能力影响极小。
AI 根据报道生成 · 4 小时前更新
最新进展10月19日 12:00
研究提出越狱后门方法SAFETYEDIT，在4款开源LLM测试中展现高攻击成功率且对正常通用能力影响极小。报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv 自然语言处理SAFETYEDIT：基于稀疏内部目标与全提示词控制的 LLM 越狱后门方法
SAFETYEDIT 提出通过优化单个拒绝相关 MLP 坐标并利用早期注意力层 KV cache 标记传播触发信号，实现大语言模型越狱后门植入。在 4 款开源权重 LLM 测试中，该方法在 12 组对比中有 11 组取得最高触发 Guard ASR，且 12 组均获最高平均 StrongREJECT 分数。审计证实其对未触发状态下的模型行为及通用能力影响极小。
本事件热度走势
当前热度 9·可比范围峰值 10（10月19日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。