标签
该论文提出 SEDATE（选择性检测与定向编辑），一种基于检测-编辑-验证策略的免训练方法，通过定位跨语言共享的“攻击性”神经元来提升大模型的安全性，并在7种语言和4个模型家族上验证了其优于基线的效果。
本文研究了通过编辑单个神经元能否修复Gemma 4模型在长序列事实列举任务中的重复循环问题。研究发现，对少量MLP神经元进行有针对性的权重编辑可以显著减少循环故障，但无法完全消除较大模型中的末日循环（doom looping）。