情绪很重要：句法敏感性如何破坏安全对齐

大语言模型 通常会经历 后训练 以使它们与安全策略保持一致，但存在许多复杂的越狱，可以绕过既定的安全措施。例如，Andriushchenko 等人之前的工作。 （2025）发现，将语法时态从现在时改为过去时足以引起有害的反应。在这项工作中，我们发现了非命令句法形式的更普遍的失败。我们使用行为评估证明了这种句法漏洞存在于 16 个模型中，多达 70B 个参数。为了调查根本原因，我们应用因果中介分析，发现拒绝部分取决于上游句法特征。通过控制这些纯粹的句法特征，我们能够触发和抑制拒绝。最后，我们将这种病态追溯到开源模型的语言偏见 后训练 数据，并表明增加句法多样性可以缓解该问题。我们的研究结果表明，当前的对齐方法引入了混杂因素，阻碍了拒绝决策的纯粹语义基础。