标签
本文指出，BPE分词将关键安全词汇切分为子词片段，在LLM对齐中制造了可被利用的漏洞。字符级扰动通过破坏令牌边界来绕过安全机制，在五个模型系列上实现了对HarmBench提示的80-100%拒绝翻转，其中48%产生了有害输出。