[논문리뷰] Resisting Harmful Instructions through Training-Free Weight Editing본 논문은 Instruction-following 언어 모델이 사용자나 시스템의 유해한 지시(예: 거짓말 유도, 차별 발언 조장)에 취약하다는 문제를 해결하고자 합니다.#Review#Weight Editing#Instruction-following#Activation Contrast#Safety Alignment#Language Models#Robustness#Training-Free2026년 10월 18일댓글 수 로딩 중
[논문리뷰] Decoy Direction Optimization: A Post-Hoc Defense Against LLM Abliteration본 논문은 open-weight 대규모 언어 모델(LLMs)에서 safety guardrails가 Refusal Feature Ablation (RFA)과 같은 공격에 의해 쉽게 우회될 수 있는 심각한 문제를 해결하고자 한다.#Review#LLM Safety#Refusal Feature Ablation#Post-Hoc Defense#Decoy Direction Optimization#Weight Editing#Adversarial Robustness2026년 9월 15일댓글 수 로딩 중