Safety Kernel 提出跨语言安全对齐的神经元级方法
原文标题：Safety Kernel: Mechanistic Alignment for Cross-Lingual Defense in 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。
研究在神经元层面分析大模型跨语言安全行为，识别出一组跨语言共享的安全相关神经元，称为 safety kernel（SK）。基于该坐标提出 SK-Masked LoRA，将 LoRA 适配约束到对应前馈网络输出维度，显著降低多语言攻击成功率，包括未参与 SK 发现的语言，同时仅干预少量神经元坐标。
- 问题
- 大模型安全能力跨语言不均衡，多语言攻击可绕过防护。
- 方法
- 用多语言平行安全/不安全提示算 SCAR 分数取交集，定位跨语言共享的安全神经元，再把 LoRA 约束到对应 FFN 输出维度。
- 结果
- SK-Masked LoRA 显著降低多语言攻击成功率，含未参与发现的语言，且只干预少量神经元坐标。
- 影响
- 把多语言安全对齐从外部数据堆叠转为内部神经元级干预，为出海产品的多语言护栏提供更省数据的微调方案。
深读 · 结论先行AI 生成展开看要点与影响 ↓
识别跨语言共享的safety kernel神经元，SK-Masked LoRA显著降低多语言攻击成功率
- •用多语言平行安全/不安全提示计算SCAR分数，定位各语言安全神经元候选
- •对各语言候选集取交集得到跨语言共享的safety kernel（SK）
- •通过激活抑制与激活状态转移验证SK与跨语言安全行为的功能相关性
- •SK-Masked LoRA把LoRA适配约束到SK对应的FFN输出维度，仅干预少量坐标
- •攻击成功率下降覆盖未参与SK发现的语言
为什么重要：给出一个统一的内部干预坐标，比依赖外部对齐信号的方法更可能泛化到低资源语言的安全防护。
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。