免训练方法 SEDATE 跨语言编辑神经元以提升模型安全性
资讯摘要
论文提出 SEDATE，一种基于“检测—编辑—验证”策略的免训练方法：先定位相关神经元，按需编辑，再核验模型回复，全程无需额外训练。作者在 7 种语言、4 个模型家族上评测，并扩展到 4 种分布外语言和 4 个额外数据集，报告称其安全得分优于最佳基线，同时保留通用能力、开销可忽略，且趋势在分布外设置下保持稳定。
要点速读
- SEDATE 采用检测—编辑—验证流程，无需额外模型训练
- 评测覆盖 7 种语言、4 个模型家族，并扩展至 4 种分布外语言和 4 个额外数据集
- 作者报告其安全得分优于最佳基线，通用能力得以保留，额外开销可忽略
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。