差别化方向干预：一种规避 LLM 安全对齐的框架

安全对齐赋予大型语言模型 (LLM) 拒绝恶意请求的关键能力。先前的工作将这种拒绝机制建模为激活空间中的单一线性方向。我们认为这是一种过度简化，导致将两种功能上 distinct 的神经过程混合：危害检测与拒绝执行。在本工作中，我们将这种单一表示解构为危害检测方向和拒绝执行方向。凭借这一细粒度模型，我们引入差别化双向干预 (DBDI)，一种新的白盒框架，精确在关键层 neutralize 安全对齐。DBDI 对拒绝执行方向应用自适应投影零化，同时通过直接驾驭抑制危害检测方向。广泛的实验表明，DBDI 在 Llama-2 等模型上超过了突出的作恶方法，实现最高达 97.88% 的攻击成功率。通过提供一种更细粒度且机制化的框架，本工作为深入理解 LLM 安全对齐提供了新的方向。