Safety Anchor：通过几何瓶颈防御有害微调

大型语言模型（LLM）的安全对齐仍然容易受到有害微调（HFT）的攻击。虽然现有防御措施对参数、梯度或内部表示施加约束，但我们观察到它们在持续性 HFT 下可能被有效规避。我们的分析将这种失败归因于高维参数空间固有的冗余性：攻击者利用与防御约束正交的优化轨迹，在虚假遵守安全限制的同时恢复有害能力。为此，我们提出了安全瓶颈正则化（SBR）。SBR 将防御重点从冗余参数空间转向作为几何瓶颈的解嵌入层，通过将有害查询的最终隐藏状态锚定到安全对齐模型的隐藏状态，实现即使在持续性 HFT 下也能保持安全响应。大量实验表明 SBR 有效，仅使用一个安全锚即可将有害分数降至 $<10$，同时保持对良好下游任务的竞争性能。