**无需训练即可抵抗有害指令：基于权重编辑的新方法**

_Resisting Harmful Instructions through Training-Free Weight Editing_

> 研究提出了一种无需重新训练的语言模型权重编辑方法，旨在减少模型对有害指令（如撒谎和性别歧视）的顺从。该方法仅需在少量提示对上执行前向传播，并将修改后的权重存储于模型中，从而确保即使提示被篡改，模型仍能保持安全对齐。实验表明，该方法在多项基准测试中显著提升了诚实回答率，并有效降低了性别歧视回答比例，是一种高效且独立的干预手段。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.21189)