Microsoft HARC 把 LLM 安全对齐锁进「有害性-拒答」二维子空间:在残差流里精准打补丁

Microsoft 团队在 arXiv 发布的论文 HARC(arXiv:2607.00572)提出,把对齐从粗粒度 RLHF 推进到残差流子空间级别——通过差分均值在 prompt 与 response 两个位置提取「识别有害」与「执行拒答」两条独立方向,再用 LoRA + 加性间隔铰链损失在 4 个浅层做耦合绑定。在 Llama-3.1-70B/Qwen-2.5-72B 上,JailbreakBench 的 PAIR/PAP/DeepInception 攻击成功率降到接近 0,CodeAttack 从 0.688 降到 0.242,XSTest over-refusal 显著下降,而 MMLU/GSM8K 几乎不掉点。