返回全部动态

强制选字母抑制拒绝:WMDP 的机制证据

原标题:Forcing a Letter Suppresses Refusal: Mechanistic Evidence from WMDP

arXiv cs.CL一手来源研究质量 89

AI 摘要

研究者在 WMDP 危险知识基准上,对 Llama-3.1-8B 和 Qwen3-8B 两个模型进行机制可解释性分析,发现选择题格式会让模型在中层快速锁定答案字母,从而抑制拒绝机制。与开放式提问相比,选择题激活离拒绝方向约远 3 倍;消融承载选择题答案的注意力头会提升拒绝率,说明答案选择与拒绝存在竞争。结论是选择题安全分数主要衡量知识能力,而非安全机制。

以上摘要由 AI 生成,可能存在误差。事实请以原文为准。

正文节选

Forcing a Letter Suppresses Refusal: Mechanistic Evidence from WMDP Abstract Safety benchmarks for large language models (LLMs) commonly use multiple-choice question (MCQ) format. However, prior studies documented that MCQ format reduces refusal rates, which may significantly affect the safety behavior of the model. We provide a first mechanistic explanation of this effect on the Weapons of Mass Destruction Proxy (WMDP) dataset across two models – Llama-3.1-8B and Qwen3-8B. First, we use the tun


发布时间:2026-11-09 13:00
抓取时间:2026-11-09 13:15
来源机构:arXiv
阅读原文arxiv.org