大型语言模型（LLM）在安全对齐后仍易受 jailbreak 攻击。近期研究发现，对齐往往高度稀疏：仅剪除少量安全关键神经元或去除单一拒绝方向，就能显著削弱对齐行为。为降低对稀疏组件的依赖，我们提出 Addition by Subtraction 方法。该方法在微调阶段逐步移除已识别的安全关键神经元，同时通过偏好优化让模型在其他部位重新学习安全对齐行为。实验表明，使用该策略的模型在基于剪枝的攻击下表现出显著的鲁棒性提升。更重要的是，这种提升能够迁移到其他稀疏干预（如拒绝方向消除）以及多种黑盒 jailbreak 攻击上。微调后模型的真实性也有所改善，且整体能力基本保持不变。我们在来自三家供应商的四个模型上进行全面评估，攻击成功率最高下降 90%。
点评：该工作展示了通过系统性去除脆弱神经元并重新分配安全功能的可行路径，为构建更稳健的 LLM 安全对齐提供了新思路。