研究：语言模型拒绝行为的引导方向不止一个
原文标题：On the Steering Dimensionality of Refusal in 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。
论文研究激活引导中控制拒绝行为所需的方向维度，提出「引导维度」概念，即可靠控制某行为所需的最小子空间维度。实验发现安全对齐触发的拒绝是1维可引导的，而一般语境下的拒绝激活几何更丰富，即使5维子空间也难以完全捕捉，表明拒绝的激活几何高度依赖语境。
- 问题
- 激活引导常假设一个高层概念只需单一方向，但行为可能占据更丰富的激活几何。
- 方法
- 提出引导维度概念，用子空间而非单向量控制行为，并研究加性引导与方向消融两种干预。
- 结果
- 安全对齐触发的拒绝是1维可引导的，一般语境拒绝即使5维子空间也无法可靠覆盖。
- 影响
- 提醒做安全对齐与拒绝控制的工程师：单一拒绝方向不够，需按语境选择子空间维度。
深读 · 结论先行AI 生成展开看要点与影响 ↓
安全对齐触发的拒绝是1维可引导的，一般语境拒绝即使5维子空间也难以完全控制。
- •提出「引导维度」概念：可靠控制某行为所需的最小子空间维度
- •要求加性引导能诱发目标行为、方向消融能抑制它，两者互补验证
- •安全对齐触发的拒绝为1维可引导，且多个不同方向可达到相当的控制效果
- •一般语境下的拒绝激活几何更丰富，5维子空间仍无法可靠捕捉全部可引导变化
- •用充分维度的单调改善与饱和现象来刻画足够的引导子空间
为什么重要：直接挑战「一个概念对应一个引导方向」的常见假设，说明拒绝行为的激活几何高度依赖语境，安全干预需按语境区分设计。
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。