论文揭示LLM安全路径：注意力识别危害，MLP写入拒绝
原文标题：Attention Sees, MLP Refuses: Tracing the Attention-to-MLP Safety Pathway in LLMs
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
arXiv论文将LLM越狱与过度拒绝问题重构为注意力到MLP的安全路径问题，在Qwen、Llama、Gemma等18对Base-Instruct模型上发现危害性更易从注意力更新中解码，而MLP更新主导拒绝写入。作者据此提出Sentinel，结合感知分P与决策分D，在八模型上降低聚合错误率。
- 问题
- LLM越狱与过度拒绝的机制不清，危害识别与拒绝写入混为一谈。
- 方法
- 把安全问题重构为注意力到MLP的路径，用残差流更新分离危害解码与拒绝写入，据此提出Sentinel打分。
- 结果
- 在18对Base-Instruct模型及8个模型上降低聚合错误率。
- 影响
- 给安全对齐提供可定位的干预点，工程师可针对注意力或MLP分别调优越狱与误拒。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文发现危害识别在注意力、拒绝写入在MLP，据此提出Sentinel降低八模型错误率
- •覆盖Qwen、Llama、Gemma共18对Base-Instruct模型，危害性更易从注意力更新解码，尤其早期层
- •MLP更新主导对齐模型中的危害选择性拒绝写入，后训练在全部18对中强化了这一点，却未系统提升危害可解码性
- •六个推理模型上，危害在推理过程中仍可解码，强拒绝写入集中在答案起始处，关闭推理后模式依旧
- •因果干预显示：把下游MLP更新重置为干净值，可大幅削弱上游注意力干预造成的拒绝偏移
- •Sentinel结合注意力感知分P与MLP决策分D，在八个模型上降低聚合错误率
为什么重要：把越狱与过度拒绝拆成「识别」和「写入」两个可测量环节，为安全对齐提供可干预的定位点，对做安全微调和红队的团队直接可用。
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。