跳到正文
arXiv · AI· Adrians Skapars, Edoardo Manino·· 2026-10-16AI 评分35

BLOOM-WILT:通过Logit倾斜在自动化LLM审计中激发行为

BLOOM-WILT: Logit Tilting for Behaviour Elicitation in Automated LLM Auditing

AI 导读

BLOOM-WILT 提出一种无训练成本、仅依赖 next-token distribution 的审计管线,以激发 LLM 的罕见行为。 它通过多轮对话策略修订与 unprompted 模型混合 Logit 倾斜,在 Qwen3.5-4B 上将自我伤害鼓励的平均出现率从 51% 提升至 100%,且在 32 种评估设定中的 30 种表现优于基线。 该方法揭示了更多模型存在有害行为,代码已开源。

来源:arXiv · AI · arxiv.org