activation-representations

#activation-representations

优化对抗安全表征：激活引导的对抗性后缀与拒绝的几何结构

arXiv cs.LG ↗ · 2026-07-13 缓存

本文介绍了激活引导的GCG和Soft-GCG方法，通过针对大语言模型内部的拒绝表征来优化对抗性后缀，实现了比标准GCG快33倍的加速，并揭示了分布式的安全机制。

0 人收藏 0 人点赞