热点事件持续更新

AI安全对齐：加法减法语义模型抗攻击鲁棒性研究

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

2026年11月5日，研究者Hassan Dashtbani等人提出“Addition by Subtraction（加法减法语义）”方法。该策略旨在强化大语言模型（LLMs）的安全对齐与鲁棒性，核心思路是通过逐步移除安全关键神经元，随后使用偏好优化技术从模型其他部分重建安全对齐行为。实验中，该方法在针对来自三家厂商的四个模型上进行了评估。结果显示，它有效防御了白盒攻击，并能泛化应对拒绝方向及多种黑盒越狱攻击。具体数据显示，部分攻击的成功率降低了高达90%。该研究不仅提升了对抗攻击的鲁棒性，还在保留通用能力的同时改善了模型真实性。

AI 根据报道生成 · 7 小时前更新

最新进展11月5日 13:00

通过减法实现加法：提升大语言模型安全对齐的鲁棒性

报道时间线

沿着报道，了解事件的不同侧面。

11月5日

13:00
arXiv · AI
通过减法实现加法：提升大语言模型安全对齐的鲁棒性
提出“Addition by Subtraction”方法，通过逐步移除安全关键神经元并使用偏好优化重建对齐，显著提升大语言模型对抗剪枝攻击的鲁棒性。该方法不仅防御白盒攻击，还泛化至拒绝方向消融及多种黑盒越狱攻击，同时改善真实性并保留通用能力。在来自三家厂商的四个模型实验中，部分攻击的成功率降低了高达 90%。

本事件热度走势

可比范围当前: 8
可比范围峰值: 1011月5日 14:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。