Logit-Gap Steering：用前向传播诊断大模型对齐鲁棒性的研究

该论文提出Logit-Gap以第一解码步中最高拒绝token与最高肯定token的logit差值量化每个提示的安全边际。作者设计了一种无梯度、仅前向传播的后缀搜索方法，每个模型家族约需26000次前向传播等价量（约2分钟A100），比单次GCG搜索低约125倍。