arXiv · AI· Richard J. Young·· 4 天前AI 评分41
基于方向的消融与ARA对Qwen3.8、Gemma 4等新一代LLM拒答移除效果的评估
Is Abliteration Getting Harder? Not Uniformly: Refusal Removal by Direction-Based Ablation and ARA in Heretic on the Qwen3.8, Gemma 4, Olmo 3.1 and Mistral Small 3.2 LLMs Versus Their Predecessors
AI 导读
研究表明,基于方向的消融技术在新型LLM上移除拒答的效果并非统一变难。在5组模型版本对中,新方法残留拒答率比旧版低1至高37个百分点,而ARA残留率为-26至+34个百分点。 方向消融效果受模型对、方法和搜索预算影响,不同方法在Gemma、Qwen等模型上的表现差异显著。
来源:arXiv · AI · arxiv.org