arXiv · cs.CL· Grigoriy Evseev·· 5 天前AI 评分49
WRDO：对齐语言模型中的加权拒绝方向优化
WRDO: Weighted Refusal Direction Optimization in Aligned Language Models
来源与原文
arXiv · cs.CL
作者：Grigoriy Evseev
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.29555v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
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。
来源：arXiv · cs.CL · arxiv.org