**HuggingFace 论文:基于几何机制诊断与参数空间缓解 LLM 涌现失配**

_See it, Say it, Sorted: Mechanistic Diagnosis and Parameter-Space Mitigation of Emergent Misalignment in LLMs_

> 该研究通过动态二阶几何分析揭示了安全对齐 LLM 中涌现失配(EM)的机制,发现有害梯度子空间在参数更新中的正交投影可有效抑制安全失效。在 Qwen2.5-14B-IT 等模型上,该方法将自由生成 EM 降低 80%,并指出即使行为安全指标接近零,潜在的危险子空间仍可被检测和控制。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-01 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.34970)