研究定位 LLaMA-2-7B-Chat 安全关键参数，0.19% 权重即可攻破
原文标题：How Fragile Is On-Device Language Model Safety? Localizing Safety-Critical Parameters for Sparse Fault Analysis
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。
论文研究端侧小语言模型的安全脆弱性，考察 LLaMA-2-7B-Chat 的安全敏感行为是否集中于稀疏参数子集。通过低秩安全子空间分析与参数级安全-效用重要性过滤两种方法，发现网络内安全敏感性高度不均，MLP 的 down_proj 层最为关键。仅修改 down_proj 中 0.19% 的权重即可达到 53% 基础攻击成功率与 56% GCG 攻击成功率，而 tinyBenchmarks 准确率仅从 52.2% 微降至 51.6%，凸显端侧模型完整性保护的必要性。
- 问题
- 端侧小模型本地参数易被篡改，安全行为是否集中在稀疏参数子集未知。
- 方法
- 用低秩安全子空间分析与参数级安全-效用重要性过滤定位安全敏感参数。
- 结果
- 仅改 down_proj 中 0.19% 权重即达 53% Basic ASR 与 56% GCG ASR，tinyBenchmarks 准确率仅从 52.2% 降至 51.6%。
- 影响
- 端侧与智能体场景下模型完整性保护需针对极少数关键权重，攻击面比想象中小得多。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LLaMA-2-7B-Chat 仅改 0.19% 权重即达 53% 攻击成功率，准确率几乎不掉
- •两种定位方法（低秩安全子空间分析、参数级安全-效用重要性过滤）均显示安全敏感性高度不均
- •MLP 的 down_proj 是最突出的安全敏感组件，o_proj 贡献较小
- •仅修改 down_proj 中 0.19% 权重：基础攻击成功率 53%，GCG 攻击成功率 56%
- •tinyBenchmarks 准确率从 52.2% 仅降至 51.6%，效用损失极小
为什么重要：端侧与智能体场景下模型参数本地存储，攻击面小到 0.19% 权重，意味着完整性保护需要针对性而非全量方案。
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。