How Fragile Is Safety Alignment at Frontier Scale? A Single-Direction Attack on a 320B MoE

该论文研究的是：在开放权重语言模型上被广泛引用的「方向消融（directional ablation）」白盒攻击，是否在从前沿稠密模型迁移到大规模混合专家（MoE）架构后依然成立。所谓方向消融，是指不需要基于梯度的训练、也不需要任何优化，仅

历史摘要 · 未重新核验 · arXiv cs.CR