研究揭示大语言模型拒绝行为的引导维度机制

2026年10月6日，arXiv发布的一项针对大语言模型拒绝机制的研究提出了“引导维度”概念。研究发现，由安全对齐触发的拒绝行为具备1维可引导性，多个不同方向均能实现可靠控制。但在通用语境下，拒绝行为展现出更丰富的激活几何结构，即使采用5维引导子空间也无法完全覆盖其变化。该研究表明，大模型拒绝底层的激活几何高度依赖语境，远比单一线性方向复杂。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。