arXiv 2026年10月12日安全对齐卡在“写拒绝”这一步：注意力早已识别有害，MLP 直到答案开头才落笔在 18 对 Base–Instruct 模型上，有害性信息在注意力更新中更易解码，而拒绝证据主要由 MLP 写入，且后训练只增强写入、不提升识别。在 18 对 Base–Instruct 模型上，有害性信息在注意力更新中更易解码，而拒绝证据主要由 MLP 写入，且后训练只增强写入、不提升识别。University of Notre DameDuke UniversityGeorgia Institute of TechnologyZixuan Weng（第一作者）#注意力到MLP安全通路#Sentinel诊断方法#激活修补#安全对齐#越狱攻击