arXiv · cs.AI· Zhiyuan Wang, Yuezhi Zhou, Zhu Zhang, Zhixing Tan·· 2 天前
大语言模型安全对齐提出联合权重扰动防御有害微调
When Safety Fails Collectively: Robust Alignment Against Harmful Fine-Tuning via Joint Weight Perturbations
arXiv:2610.25683v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zhiyuan Wang, Yuezhi Zhou, Zhu Zhang, Zhixing Tan
研究任务与主要进展
研究者提出联合权重扰动（JWP），用于增强大语言模型对齐在后续有害微调中的稳健性。方法在安全对齐阶段遮蔽当前模型估计出的有害扰动的不同部分，并训练模型在由此形成的状态下保持安全响应；摘要称其在多个下游任务和模型家族上比既有防御更有效，同时基本保持任务性能。材料仅提供论文摘要，未说明具体实验细节与比较基线。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org