SEDATE：跨语言攻击性神经回路与免训练安全编辑
原文标题：SEDATE: Do Large Language Models Share an Aggression Circuit Across Languages?
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。
arXiv 论文提出 SEDATE，一种基于「检测-编辑-验证」的免训练方法，用于定位并编辑大模型中与攻击性/不安全输出相关的神经元，从而提升多语言安全性。方法在 7 种语言、4 个模型家族及 4 种分布外语言上评测，安全得分显著优于最佳基线，同时保留通用能力、开销可忽略。
- 问题
- 大模型多语言不安全输出难治理，现有干预成本高且难扩展到多语言。
- 方法
- 免训练「检测-编辑-验证」：定位责任神经元并按需编辑，再校验回复，无需额外训练。
- 结果
- 在 7 种语言、4 个模型家族及 4 种分布外语言上安全得分显著优于最佳基线，通用能力保留、开销可忽略。
- 影响
- 给多语言上线前的安全加固提供低成本可插拔方案，不必重训模型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SEDATE以免训练的检测-编辑-验证流程定位攻击性神经元，在7种语言4个模型家族上安全得分显著领先。
- •方法为免训练：先检测与不安全输出相关的神经元，按需编辑，再验证模型响应。
- •评测覆盖7种语言、4个模型家族，另在4种分布外语言与4个额外数据集上验证。
- •在所有语言与模型上安全得分显著优于最佳基线。
- •编辑后保留通用能力，额外开销可忽略，分布外场景趋势保持一致。
为什么重要：多语言安全对齐常因算力或标注成本被搁置，免训练、低开销且跨语言有效的方案降低了中小团队做安全加固的门槛。
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。