LEMON：基于注意力图的等变学习实现新大模型零样本行为监控
原文标题：LEMON: Equivariant Learning over Attention Maps for Zero-Shot Misbehavior Monitoring on New LLMs
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。
研究将跨模型注意力图的不匹配刻画为代数对称性，基于几何深度学习构建在线图神经网络监控器 LEMON，逐 token 处理注意力图并以极低开销输出异常分数。在 16 个大模型和六个数据集上，零样本跨模型场景下幻觉与越狱监控均优于所有基线，最高提升 14 个 ROC-AUC 点。
- 问题
- 内部表示监控器绑定单一模型，换新模型需重新标注，成本高。
- 方法
- 把跨模型注意力图不匹配刻画为代数对称性，用几何深度学习构建等变图神经网络监控器。
- 结果
- 16 个大模型、六个数据集上零样本跨模型监控优于所有基线，最高提升 14 个 ROC-AUC 点。
- 影响
- 新模型上线即可零样本接入幻觉与越狱监控，省去重复标注开销。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LEMON 借注意力图对称性实现跨模型零样本监控，最高提升 14 个 ROC-AUC 点。
- •把跨模型注意力图在头功能、顺序、深度上的不匹配刻画为代数对称性
- •基于几何深度学习构建在线 GNN 监控器，逐 token 处理并输出异常分数，开销极低
- •在 16 个大模型、六个数据集上，零样本跨模型场景幻觉与越狱监控均优于所有基线
- •最高提升 14 个 ROC-AUC 点，免去每换新模型就重新标注的成本
为什么重要：对需要低成本安全监控的部署方意义大：新模型上线无需重训监控器，绕开外部 LLM 监控的高成本。
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。