Tripwire：通过统计认证的安全神经元触发对齐拒绝

神经元级和路径级干预为防御大型语言模型（LLMs）免受越狱攻击提供了最细粒度的途径，但现有方法未能实现这一前景，即它们往往会显著损害模型效用。具体而言，一类工作通过抑制有毒神经元来抹除有害语义，但由于此类语义分布在整个网络中，阻断每一条路径会导致干预范围过大。另一类研究则侧重于使用外部分类器识别安全神经元。尽管前景可期，现有方法也会影响对模型效用同样重要的神经元。此外，这两类方法都始终处于开启状态，因此即使不存在攻击，也会扰动每一个良性请求。为解决这些局限，我们提出 \ours{}，这是一种无需训练的防御方法，首先通过在错误发现率控制下进行逐神经元假设检验，并结合效用特异性过滤器，识别安全特异性神经元。基于该识别结果，一种触发器式钳制将所选神经元保持在其有害条件均值激活水平，注入内部有害输入信号，从而触发对齐过程中学习到的拒绝行为。随后，该钳制通过两种可证明等价的部署模式实现，即检测器门控的推理时干预和离线 bias-patch 权重编辑。在四个经过安全对齐的 LLMs 和四种代表性攻击上的大量实验表明，\ours{} 将平均攻击成功率降低到至多 2.0\%，同时在 MT-Bench 上仅造成 0.5\% 至 5.3\% 的效用下降，是所有防御方法中最小的。代码可在 https://anonymous.4open.science/r/Tripwire-65C4 获取。