Tianyi Guan

该工作在同一套匹配设置下，把行为式安全方法（DPO 对齐、文本监控器）与表征工程（三种表征引导、四种表征探针）放在一起比较，发现 DPO 在安全控制上整体最强且随训练数据增加而改善、但在良性微调后安全性会下降，专用文本监控器检测准确率最高，而表征探针在复用原生激活时以低得多的边际算力保持竞争力，并且探针引导的干预能挽回 DPO 在良性微调后损失的大部分安全性且几乎不增加过度拒答。

该工作在同一套匹配设置下，把行为式安全方法（DPO 对齐、文本监控器）与表征工程（三种表征引导、四种表征探针）放在一起比较，发现 DPO 在安全控制上整体最强且随训练数据增加而改善、但在良性微调后安全性会下降，专用文本监控器检测准确率最高，而表征探针在复用原生激活时以低得多的边际算力保持竞争力，并且探针引导的干预能挽回 DPO 在良性微调后损失的大部分安全性且几乎不增加过度拒答。