Andriy Burkov 提出 Latent Personality Alignment：不喂有害样本也能对齐出安全 LLM

Andriy Burkov 提出 Latent Personality Alignment（LPA）安全防御框架，训练全程不接触有害样本，改为让模型内化抽象的积极人格特质，以检验无需毒性数据能否可靠提升安全性。他指出传统安全机制依赖海量有害 prompt 与脚本化拒答数据库，攻击者用改写或新越狱手法即可绕过，且现有防御需数十万毒性样本，并严重损害模型在正常任务上的能力。