GitHub · 去对齐工具与仓库·· 22 天前AI 评分51
Polok004 开源 llm-activation-probe：用线性探针读取语言模型拒绝行为的激活信号
Polok004/llm-activation-probe
来源与原文
GitHub · 去对齐工具与仓库
发布时间：（北京时间）
阅读原始来源 · github.com ↗完整链接与内容说明
https://github.com/Polok004/llm-activation-probe
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
Polok004 在 GitHub 开源 llm-activation-probe，一套可复现的防御性可解释性研究流水线，用残差流上的线性探针判断模型是否感知到有害提示、越狱攻击以及即将服从，并验证该方向对拒绝行为的因果作用。
来源：GitHub · 去对齐工具与仓库 · github.com