PRISM：工具调用模型激活干预的迁移研究
原文标题：PRISM: Transfer and Limits of Activation Interventions in Tool-Calling Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究提出 PRISM 框架，评估激活干预在精度、语言与规模上的迁移能力。利用 NF4 量化标签与跨语言迁移可稳定估计干预方向，五语言监督方向成功迁移至阿拉伯语，使 Llama-3.1-8B 的不安全违规降低 21.95 个百分点。该方法还可迁移至 70B 参数级模型。
- 问题
- 模型在文本拒绝的同时仍可能发起不安全工具调用，存在隐藏漏洞。
- 方法
- 用 NF4 量化标签与跨语言迁移估计激活干预方向，跨精度、语言与规模迁移。
- 结果
- 五语言监督方向迁移至阿拉伯语，使 Llama-3.1-8B 不安全违规降低 21.95 个百分点，并可迁移至 70B。
- 影响
- 为工具调用安全对齐提供低成本、可跨语言跨规模复用的干预方案。
深读 · 结论先行AI 生成展开看要点与影响 ↓
PRISM 用 NF4 量化标签做激活干预，跨语言迁移让 Llama-3.1-8B 不安全违规降 21.95 个百分点。
- •用 NF4 量化副本的行为标签估计干预方向，极少场景下也能稳定估计
- •五语言监督方向零调优迁移到阿拉伯语，Llama-3.1-8B 不安全违规降 21.95 个百分点
- •通过配对良性激活映射，安全干预可迁移至最高 70B 参数模型
- •针对的是模型文本拒绝但工具调用仍不安全的隐藏漏洞
- •代码与交互式结果浏览器已开源
为什么重要：工具调用安全此前多靠文本层拒绝，这条给出低成本跨语言、跨规模的激活层修补路径，对做 agent 安全与对齐的团队直接可用。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。