10:08
arXiv cs.AI@Yanchen Yin, Dongqi Han, Linghui Li
推荐理由：这篇论文用注意力头机制解释了越狱攻击无法完全消除安全特征，还提出一种无需训练的检测方法，效果不输传统对抗训练。
全部 AI 动态
AI 相关资讯全量信息流
6月29日
10:08
该研究揭示越狱攻击并非消除所有安全特征，而是选择性抑制早期层的Adversarially Compromised Heads (ACHs)，而中间层的Safety-Aligned Heads (SAHs)保持鲁棒激活。消融实验表明，抑制少量ACHs即可在正常拒绝的输入上诱发出越狱行为，而移除SAHs会显著削弱中间层的安全激活。此外，通过直接读取这些持久激活信号（无需训练）即可获得与强对抗鲁棒性相当的聚合检测性能。
6月16日
20:46
AITOP6月16日 20:46
6月15日
11:13
11:13
arXiv cs.LG@Rohit Gandikota, David Bau
精选
推荐理由：操控VLM输出，像翻漫画一样准
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
6月9日
10:39
10:39
arXiv cs.AI@Yongzhong Xu
精选
推荐理由：做模型可解释性研究的团队会感兴趣——这篇论文把共激活聚类和因果消融结合起来，给出了一个验证注意力头电路的实用方法，建议做电路分析的开发者试试这个闭环流程。
5月13日
21:35
21:35Anthropic: Transformer Circuits（资讯）
推荐理由：做模型可解释性研究或想深入理解 Transformer 内部机制的开发者，HeadVis 提供了一个直观的交互式分析工具，值得一试。