# 基于回路的安全编辑

研究把大模型拒答行为拆成一条跨层通路：前中层的“有害检测头”识别输入中的有害词，中后层的“安全神经元”在残差流中传递并稳定这一信号，后层的“拒答头”据此生成拒绝。对这三类组件做不改变架构的权重缩放后，六个模型在GCG攻击下的平均安全率从43.2%升到69.7%，四个标准基准上的平均准确率只下降1.7%。

研究把大模型拒答行为拆成一条跨层通路：前中层的“有害检测头”识别输入中的有害词，中后层的“安全神经元”在残差流中传递并稳定这一信号，后层的“拒答头”据此生成拒绝。对这三类组件做不改变架构的权重缩放后，六个模型在GCG攻击下的平均安全率从43.2%升到69.7%，四个标准基准上的平均准确率只下降1.7%。