摘要
安全评估通常假设测试中观察到的行为反映了普通使用中的行为，但精细调优可能破坏这一假设。检查点在评估风格提示下可能看似固定，但在普通使用提示下相同的行为依然存在。输出分数揭示了这种不匹配，但并不能定位其原因。
我们探讨这种区别是否编码在一个稳定的内部位置，并提出了一种方法，该方法在路径修补的中层深度窗口中适配了一对激活对比，然后修改在保留提示下得到的坐标。这一干预在十二个模型-行为设置中的十个中缩小了评估与部署之间的差距（在八个设置中有六个的 $n{\geq}120$ 配对问题），涵盖了四个完整矩阵的指令调优模型实例；第五个模型支持定位和编辑来源检查，部署框架下的变化率最多为 $6.1$pp。
两个平坦单元（均为谄媚行为）表明，当安装的区别更高阶或被深度启发式遗漏时，单坐标审计是不够的。该审计是针对精细调优检查点的诊断，而不是训练时的防御或部署安全的保证。
博主点评： 本文揭示了精细调优语言模型在不同使用场景中表现的不一致性，强调了评估与实际部署之间的潜在差距，具有重要的实用价值。通过对内部机制的审计，研究为模型的安全性提供了新的视角，尤其是在确保其在现实应用中的可靠性方面。