研究者提出RASA框架修复MoE模型安全对齐

研究者 Jiacheng Liang 等提出名为 RASA 的路由感知专家级安全对齐框架，针对 MoE（混合专家）模型稀疏路由机制导致全参数安全微调出现路由或专家主导等退化行为的问题。 RASA 的做法是：先识别被成功越狱时不成比例激活的专家，在固定路由下仅微调这些专家，再强制其与安全对齐上下文的路由保持一致。作者称该框架能修复安全关键专家，同时防止基于路由的绕过。 上述效果来自作者在论文中的表述，尚未见独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。