从潜空间到雅可比空间：安全内容可及性的测量、规避与训练
原文标题：From Latent Space to Jacobian Space: Measuring, Evading, and Training Against Safety-Content Accessibility
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。
论文提出雅可比空间（J-space）读出方法，通过模型输入-输出雅可比将隐藏状态线性映射到输出词表，用以观测行为上可及的内部内容。作者引入传输放大剖面 A_ℓ 与基座-微调配对协议，发现安全微调（如 0.5B 模型上的 DPO）会在行为安全表现最好的位置反而拉大可及性差距。部署审计显示监控感知的 GCG 式后缀可在零行为代价下压制提示侧监控，说明安全监控、训练与评估必须直接作用于可及性本身而非仅看输出。
- 问题
- 仅看输出的安全监控无法观测模型内部已计算但未说出的危险内容。
- 方法
- 用输入-输出雅可比构建J-space读出，并引入传输放大剖面与基座-微调配对协议量化可及性。
- 结果
- 0.5B模型DPO后J-space识别降至随机水平；监控感知GCG后缀在各规模零行为代价压制提示侧监控。
- 影响
- 安全评估不能只看输出，需直接审计内部可及性，否则微调会在行为安全最好处留下盲区。
深读 · 结论先行AI 生成展开看要点与影响 ↓
0.5B模型DPO后行为安全最佳处，J-space识别反而降至随机水平。
- •提出雅可比空间（J-space）读出，用输入-输出雅可比把隐藏状态线性映射到输出词表
- •引入传输放大剖面A_ℓ与基座-微调配对协议，归因可及性来源
- •四个小模型对（135M至1.5B）中，微调检查点把识别集中在上中层
- •0.5B模型DPO装上拒答能力，但J-space识别降至随机水平
- •监控感知的GCG式后缀在所有规模下零行为代价压制提示侧监控
为什么重要：安全训练可能在行为表现最好的位置反而拉大内部可及性差距，安全监控与评估须直接作用于可及性而非仅看输出。
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。