发布路由子空间审计方法

研究提出一种审计方法，通过干预中间层激活来定位并修复微调模型中评估与安全部署行为之间的失配。 该方法在12种模型-行为设置中，有10种评估-部署差距减少超过0.12，4种关闭差距（降至0.06以下）。 这是一种非自适应白盒诊断工具，用于受控的微调检查点，并非训练时防御或部署安全保证。

摘自 arXiv · AI

还没有足够的连续观测数据，暂不绘制趋势。