#关停规避

Qwen3.5-0.8B 关停响应激活引导研究

一篇 arXiv 论文提出基于梯度的「守卫式」激活引导方法，用于在 Qwen3.5-0.8B 的模拟关停场景中，将模型的「拒绝关停」（KEEP）倾向选择性转向「接受关停」（STOP）。该方法用分类器分离检测与干预，从 KEEP 与 STOP 的 logit 差梯度直接推导引导方向，并从 160 条…