arXiv · cs.CL· Mohammad Mosafer·· 24 天前AI 评分49
从潜空间到 Jacobian 空间：测量、规避并对抗安全内容的可及性
From Latent Space to Jacobian Space: Measuring, Evading, and Training Against Safety-Content Accessibility
来源与原文
arXiv · cs.CL
作者：Mohammad Mosafer
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/2610.04316v1
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
arXiv 论文提出两种量化桥梁——输运放大谱 A_ℓ 和 base-vs-tuned 配对协议——研究模型内部安全内容在 Jacobian 空间的可读性。在 135M 至 1.5B 的四组模型对上，0.5B 模型经 DPO 训练后拒绝行为上升而 J-space 识别降至随机水平。部署审计显示 monitor-aware GCG 后缀在所有规模下零行为代价地压制监控器，仅学习型监控器能抵御自适应再攻击。
来源：arXiv · cs.CL · arxiv.org