防止 AI 越獄新方法，「助手軸」如何鎖住語言模型的安全人格
在人工智慧（AI）研究領域，Anthropic 的研究人員最近發現了一個名為「助手軸」（Assistant Axis）的關鍵神經模式，這項發現有助於穩定大型語言模型（LLMs）中的「助手」角色，並對抗有害的「惡魔」角色漂移或越獄行為。這項研究的成果發表在一篇名為《助手軸：定位和穩定語言模型的默認角色》的預印本論文中，研究團隊透過分析開放權重模型（如 Llama 3.3 70B、Gemma 2 27B 和 Qwen 3 32B）的神經觸發來進行這項研究。
研究人員利用主成分分析法，從275個角色原型中映射出一個「角色空間」，該空間的主要維度區分了有益特徵（如評估者、顧問、分析師）與對立的有害角色。這些角色的形成源於對人類角色（如治療師和教練）的預訓練。
研究的關鍵發現之一是「角色漂移」，這種現象發生在模型在互動過程中放棄助手角色，導致不安全的輸出，例如強化妄想或提供非法指令。助手軸解釋了這個脆弱性。研究人員發現，透過將觸發推向助手端，可以增強對對抗性提示的抵抗力，而推向相反方向則會增加脆弱性。
▲ 角色空間中的助手軸線。（Source：Anthropic）
為了防止越獄行為並穩定模型行為，研究人員提出了觸發限制（activation capping）的方法，這種方法可以在推理時將觸發值夾緊在安全範圍內。Neuronpedia上提供的演示展示了限制與不限制觸發的差異。儘管在生產部署或訓練整合方面仍面臨挑戰，但這個研究為角色構建（建立理想特徵）和穩定化（防止特徵流失）提供了一個框架。
這項工作建立在可解釋性工具和合成數據的基礎上，為模型開發者提供了工具，以在安全範圍內約束LLMs，並驅逐風險較高的「惡魔」角色。
（首圖來源：pixabay）