跨 LLM 的通用拒绝电路：通过轨迹重放与概念基重建实现跨模型迁移
计算与语言
2026-01-27 v2
摘要
对齐后的大型语言模型（LLM）中的拒绝行为通常被视为模型特定的，但我们假设它源于一个跨模型共享的通用低维语义回路。为了验证这一点，我们引入了基于概念基重建的轨迹重放框架，该框架将拒绝干预从源模型迁移到目标模型，涵盖不同的架构（例如，Dense 到 MoE）和训练范式，且无需使用目标端的拒绝监督。通过概念指纹对齐层，并使用共享的概念原子“配方”重建拒绝方向，我们将源模型的消融轨迹映射到目标模型的语义空间中。为了保持模型能力，我们引入了一种权重-SVD 稳定性保护机制，将干预投影到远离高方差权重子空间的方向，以防止附带损害。我们在 8 对模型上的评估证实，这些迁移的配方能够持续减弱拒绝行为，同时保持性能，为安全对齐的语义通用性提供了有力证据。
引用
@article{arxiv.2601.16034,
title = {Universal Refusal Circuits Across LLMs: Cross-Model Transfer via Trajectory Replay and Concept-Basis Reconstruction},
author = {Tony Cristofano},
journal= {arXiv preprint arXiv:2601.16034},
year = {2026}
}