LLM知道自己的脆弱场景吗？

安全对齐的大语言模型被训练来拒绝有害请求，但把同样的请求嵌入特定场景可以绕过其安全防线。现有红队方法通过观察攻击结果从经验上识别有效场景，但为什么特定场景会削弱拒绝机制在机理上仍不清楚。与此同时，机理可解释性研究已刻画了拒绝方向与越狱相关特征，却没有解释这两种表示之间的关系。在本工作中，我们证明场景包装的提示会激活内部场景方向，其因果引导会持续降低拒绝分数。基于这一发现，我们提出Concept2Scenario，一个用于脆弱场景发现的基于概念的归因框架。它用稀疏自编码器实例化一个宽泛的概念空间，将拒绝抑制归因到单个概念，把识别出的概念翻译为可解释的自然语言场景，并通过交互归因识别具有协同效应的场景组合。在三个开源模型、两个安全基准与六种黑盒越狱方法上，所发现的场景作为可复用先验，使平均攻击成功率最多提升18.2个百分点。它们还能迁移到GPT-5、Claude-Haiku-4.5与Gemini-3-Flash，表明某些场景层面的拒绝漏洞在不同模型家族之间是共享的。此外，识别出的组合优于其各自的单独成分，并使迭代攻击能以更少轮次成功。