arXiv cs.CL· Sagnik Basu, Sayan Das, Somnath Banerjee, Animesh Mukherjee·2026-10-27 12:00· 4 小时前AI 评分29

SEDATE：大语言模型是否跨语言共享攻击性回路？

SEDATE: Do Large Language Models Share an Aggression Circuit Across Languages?

AI 导读

研究者提出免训练的 SEDATE（选择性检测与定向编辑），以“检测—编辑—验证”流程定位并编辑负责神经元，在 7 种语言、4 个模型族上安全评分均优于最佳基线。该方法无需额外训练，保留模型通用能力且开销可忽略。在 4 种分布外语言和 4 个额外数据集上趋势保持一致。

来源：arXiv cs.CL · arxiv.org