AI 搜索

PRISM: Transfer and Limits of Activation Interventions in Tool-Calling Language Models

PRISM 框架研究工具调用语言模型中激活干预的可迁移性，发现利用量化 NF4 标签和跨语言迁移可稳定估计安全干预方向，无需目标语言微调即可将 Llama-3.1-8B 的不安全违规降低 21.95 个百分点，并可迁移至 70B 模型。