arXiv论文：移除单一拒答回路即可消除安全拒绝

2026年10月14日，AGI Hunt 报道了 arXiv 论文（编号 2610.09600）的一项发现：基座模型的拒答行为高度集中于一个小的“拒答回路”，仅移除这一个回路，拒绝行为就会完全消失。论文还称，反向操作——只更新该回路——可在 SafeEvo 评测中把有害输出降低 63%。研究说明安全对齐可以精准定位到少量关键组件，同时也暴露了模型安全护栏易被定向绕过的风险。报道未披露更多实验细节，也未提及早先报道的相反说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。