研究人员表明，方向消融（directional ablation）这一通过从权重中投影去除单一方向来移除拒绝行为的白盒攻击，在前沿混合专家（MoE）模型（如GLM-5.3-Flash）上仍然有效。研究表明，尽管该攻击能够穿透架构，但其影响分布在注意力层、密集层和路由专家写入器之间，而非集中在某一位置。

  • 单独编辑注意力、密集和路由专家写入器分别移除0.039、0.016和0.148的拒绝行为。
  • 对这三个组件进行联合干预可移除0.776的拒绝行为，其中74%的效果仅在此组合编辑下存在。
  • 传统的模块名称匹配仅能解释总效果的0.066，若狭隘地应用会导致攻击无声失败。
  • 该方法在七个有害基准测试中实现了41-89个百分点的降低，且未检测到能力变化。
  • 暴力、色情内容和仇恨类别的残留效应经编辑后仍然存在，导致从第1层到第12层的每一层级都保留了可测量的拒绝行为。

研究结果表明，MoE模型的安全对齐比此前认为的更为脆弱，因为关键的拒绝组件是分散的，无法通过标准检查方法轻易识别。