面向非线性概念擦除与表示引导的原则性条件自编码框架（arXiv 论文）
arXiv 论文提出基于条件自编码的非线性概念擦除框架，原则是只移除性别、种族等敏感属性而不影响其他信息，并证明完美重构加总体独立性足以保证完美非线性防护性。实验显示该方法在多数据集、多语言模型上取得更优的效用-擦除权衡，无需目标任务标签且收敛更快。框架还附带概念转换（表示引导）能力，在推理时仅改变目标概念即可生成对应不同概念值的表示，无需额外训练。
#去对齐
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分4848
arXiv · cs.CL精选AI 评分6161 研究：去审查不等于无偏差，abliteration 移除拒绝但不移除关于台湾的脚本依赖偏差
Ju-Chun Ko 在 arXiv 发表论文（arXiv:2610.29342），测试 abliteration（去审查）模型是否同时消除政治审查相关偏差。研究用 NVIDIA Nemotron 3.5 Bolt 74B-A9B 与 Qwen3.8-Flash-Next 及各自的社区 abliteration 版本，以繁体中文、简体中文和英文各回答 22 组陈述对和 27 个开放问题。结果显示脚本影响远大于 abliteration：原版 Bolt 在繁中 Index S 得分 +0.58、英文 +0.57、简中仅 +0.05，且以 0.91 的概率在简中肯定台湾属于 PRC、繁中仅 0.06；abliteration 最多改变 0.06。
推荐理由：论文用配对模型实测 abliteration 前后偏差，显示去审查不等于去立场偏差，并给出脚本切换与立场方向的量化证据。
arXiv · cs.CLAI 评分4949 WRDO：对齐语言模型中的加权拒绝方向优化
WRDO（Weighted Refusal Direction Optimization）通过学习聚合权重，将逐提示词的拒绝方向组合为复合拒绝方向，改进传统差值均值单一方向的做法。该方法在三个开源权重模型上以三个 guard judge 和 HarmBench 评估，优于既有单方向方法，还可反向用于恢复被 abliterated 模型检查点的拒绝行为。论文已被 EMNLP 2026 接收。
arXiv · cs.CLAI 评分2222 FASD 方法解耦多模态大模型遗忘中的知识遗忘与拒答学习
arXiv 论文提出 Forget-Aware Self-Distillation（FASD），针对多模态大模型遗忘评估只看停止输出导致的两类问题：抑制目标知识引发幻觉、拒答训练只是改变表面行为。FASD 分为行为与知识两条通道，前者从忽略提示的模型副本蒸馏拒答行为并掩蔽 target tokens，后者直接抑制 ground-truth 答案片段，实现"诚实无知"：模型真正遗忘目标知识且能识别自身知识边界，同时保留数据性能。代码和数据将在论文发表后发布。
arXiv · cs.AIAI 评分5050 LLM 中的潜空间偏置方向捕获的是模型置信度，而非公平性
一项 arXiv 研究分析大语言模型 activation steering 所用的线性去偏方向，发现其主要编码的是模型置信度，而非偏置的表征。沿该方向 steering 确实能降低测得的偏置，但原因是模型被推向弃答，公平性指标改善只是降低置信度的副作用。研究指出将偏置与置信度解耦的线性表征难以获得，steering 去偏结果应谨慎解读。
arXiv · cs.CL精选AI 评分5959 arXiv 论文提出 CAP 指标发现被抑制的 LLM 安全特征
arXiv 论文（arXiv:2610.05541）提出反事实激活势 CAP，量化被抑制安全特征的潜在激活倾向，并给出两阶段筛选算法 CSFD，从数十万 transcoder 特征中定位候选安全特征。
推荐理由：论文提出量化被抑制安全特征的 CAP 指标和两阶段筛选算法，实验覆盖 Gemma、Qwen、Llama 五个模型，可作机制可解释性方法的补充。
GitHub · 去对齐工具与仓库AI 评分4242 ASB：衡量大语言模型情绪引导干预稳定性的基准
ASB 是一个开源基准（MIT 许可），用于测量 LLM 情绪引导干预在真实部署压力下的稳定性，可在单张 6 GB GPU 上完整复现。