安全算子：通过谱优化调控安全指令的表达

研究者提出"安全算子"概念，指出基于 Transformer 的语言模型中上下文 token 可被吸收为模型权重的乘法算子，其主特征值可连续调节安全指令对生成的影响强度。他们据此推导出带抑制权重的对比安全损失，通过调节该权重在有害与无害查询间权衡，映射出攻击成功率与过度拒答率之间的关系，并在不同参数化下获得 Pareto 改进的安全指令。