为什么虚构越狱有效：基于机制可解释性的叙事方向分析

作者利用机制可解释性框架提取了两个模型中的叙事方向，并在1009个真实越狱提示上测试了该方向及其他三个方向的引导效果。结果显示，抑制叙事方向能显著降低已成功的越狱攻击成功率，而故事与角色设定在因果机制上存在明显区别，故事方向的引导效果表现为模糊输出而非明确拒绝。