热点事件持续更新

SAFETYEDIT 提出稀疏内部后门机制

1 篇报道1 个报道来源7 小时前更新

先了解这件事

AI 综述

2026 年 10 月，研究团队发布 SAFETYEDIT 方法。该方法通过优化单个拒绝相关坐标，结合早期注意力层 KV-cache 标记，实现跨位置控制以建立越狱后门。在 4 个开源 LLM 及 3 组数据集的 12 次对比测试中，该方法 11 次取得最高 Guard ASR，且全部达到最高 StrongREJECT 平均分。消融实验与审计结果显示，测试配置下未触发时，模型通用能力变化极小。

AI 根据报道生成 · 7 小时前更新

最新进展10月19日 12:00

SAFETYEDIT: 利用稀疏内部目标和全提示控制实现 LLM 越狱后门

报道时间线

沿着报道，了解事件的不同侧面。

10月19日

12:00
arXiv · NLP
SAFETYEDIT: 利用稀疏内部目标和全提示控制实现 LLM 越狱后门
SAFETYEDIT 提出一种新的模型编辑后门方法，通过优化单个拒绝相关坐标并结合早期注意力层的 KV-cache 标记实现跨位置控制。该方法在 4 个开源 LLM 和 3 个数据集组测试中，于 12 次对比中的 11 次取得最高 Guard ASR，且所有 12 次均达到最高 StrongREJECT 平均分。消融实验和审计确认，测试配置下未触发时的行为与通用能力变化极小。

本事件热度走势

可比范围当前: 8
可比范围峰值: 1010月19日 13:00
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。