arXiv · cs.AI· Tianzhuo Yang, Shaoheng Yan, Lin Lu, Jiawei Chen, Kaile Wang, Fanyu Meng, Minglu Liu, Yaodong Yang·· 5 小时前
DANGERLENS探针揭示安全对齐模型中残留的危险表征
DANGERLENS: Probing Dangerous Representations Hidden by Safety Alignment
arXiv:2610.19365v1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：Tianzhuo Yang, Shaoheng Yan, Lin Lu, Jiawei Chen, Kaile Wang, Fanyu Meng, Minglu Liu, Yaodong Yang
研究任务与主要进展
研究者提出DANGERLENS探针，用于检验安全对齐后的语言模型内部是否仍可访问危险概念。基于论文摘要，在三个Qwen1.5规模上，经过相同安全对齐的模型中，先前有害暴露较多的检查点通常保留更高的危险概念可达性，差异在中后期层最明显；研究还结合人类相关性验证和读出消融支持这一观察。
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