يقترح الباحثون إطار عمل HyperSafe، الذي يعيد سلوك الأمان في نماذج اللغات الكبيرة المُعدّلة بدقة من خلال توليد شبكة جانب آمنة (SSN) خاصة بالنموذج أثناء الاستدلال. تستخدم الطريقة بصمات التنشيط على مستوى الطبقات ومطالبات المعايرة لربط التمثيلات بمعلمات SSN دون تعديل أوزان النموذج الأصلي.
- يولّد HyperSafe شبكة SSN لكل نقطة تفتيش مُعدّلة بدقة باستخدام تمرير أمامي واحد عبر بصمات التنشيط.
- تقوم شبكة SSN بتصنيف الأمان على مستوى المطالبة، وتوجيه المدخلات الضارة إلى الرفض مع السماح للمطالبات الآمنة بالمرور عبر النموذج المجمّد.
- عند التقييم على Qwen2-7B وLLaMA-3-8B، قللت من معدلات الاستجابات الضارة من 19-31% إلى أقل من 1% عبر نقاط التفتيش المحفوظة.
- تبقى دقة المهام اللاحقة ضمن هامش 1% من الأساس المُعدّل بدقة في المتوسط.
يوفر هذا النهج طريقة لاستعادة الأمان بعد التنفيذ وغير تدخّلية لا تتطلب تحديثات للتدرجات أو بيانات أمان إضافية وقت النشر.