无需重新训练思考资本，也能一键恢复模型的安全意识了。
最近研究表明，模型的微调过程会严重削弱安全对齐能力，也就是说，模型能力越强反而越危险。
于是蚂蚁集团联合南洋理工大学针对性推出了模型安全对齐框架——EnchTable，可以让模型在微调后依旧保持安全意识。
通过安全蒸馏 + 干扰感知融合两大核心技术，在多个模型架构与任务中实现了安全与效用的最佳平衡，甚至在抗攻击能力上超越了官方 Instruct 安全模型。
而且即插即用，完全不影响模型性能。
详细内容如下：
安全对齐具有"可迁移性"
目前陆续出现了多起有关微调模型安全能力下降的事件，其根本问题在于当前的安全对齐机制无法随模型微调而持续生效。
对此，研究团队认为：安全对齐 ( Safety Alignment ) 本身是一种具有高度可迁移性 ( transferability ) 的知识。
这意味着不需要在每个微调模型上都"重新学习"一遍安全，而是可以将"安全"作为一种独立的知识模块，从一个已对齐的模型中"提取"出来，再"注入"到另一个模型中。
而这一发现则将问题从"昂贵的重新训练" 转变为"高效的知识迁移"。
然而，要实现这种迁移有两大核心挑战：
1、如何纯净解耦？ ( Q1 )
具体来说，就是如何从庞大的模型参数中，"纯净"地提取出只代表"安全"的知识向量，而不与"常识"或"任务"知识混杂？
2、如何平衡注入？ ( Q2 )
即如何将这个"安全向量"注入到已微调的模型中，而不干扰其下游任务（如编码、数学、医学）的性能？
基于此，EnchTable 设计了双层解决方案，并对这两个技术依赖进行了逐个攻破。
从向量蒸馏到干扰合并的双层安全迁移思考资本
EnchTable（名字源于《我的世界》中的"附魔台"）可分为两大技术模块，分别对应下图中的两个阶段：
△EnchTable 框架图
研究团队发现，不同任务（如医疗和代码）的微调目标截然不同，这导致了其他基线方法（Baselines）的失败，主要有两点原因：
Safety Vector 不够干净： 它们提取的向量包含噪声，导致在第二步缩放（scale）时，会连同干扰一起放大。
没有自适应 Scale： 它们缺乏一个智能机制来根据不同任务、不同层级的干扰，自适应地调整合并尺度。
针对这一难题，EnchTable 创新性地提出了两阶段解决方案：
NTK 约束的安全向量蒸馏
为了打破传统任务算术（Task Arithmetic）的不稳定性，EnchTable 引入了"基于神经正切核 ( NTK ) 的线性化"方法。
NTK 的优势：
这种 NTK 蒸馏方法（NTK-based distillation）通过其精妙设计，确保了"安全向量"具备稳定且匹配的尺度（stable, well-matched scaling）。
纯净解耦：
它能有效隔离出真正的安全方向，同时移除特定任务的噪声，最终产生一个"纯净的安全向量"（pure safety vector）。
向量提取：
正是因为这个向量是纯净且尺度适宜的，它在注入时不会引入不平衡或放大干扰，这也是 EnchTable 尤其在医疗等敏感任务上表现出色的核心原因。
一次性成本：
此过程对每种模型架构只需执行一次，即可无限次复用于所有下游任务。
基于干扰感知的参数合并
与此同时，为了解决"安全知识迁移阶段"可能对下游能力造成的损害，EnchTable 设计了"粗粒度 + 细粒度缩放" 的双重缩放机制。
粗粒度缩放（Coarse-grained）：思考资本
首先，通过安全向量和下游任务向量的范数（norm）比例，对安全向量进行全局缩放，控制整体影响强度。
细粒度缩放（Fine-grained）：
接着，利用 SVD（奇异值分解）逐层分析两个向量在低秩子空间中的"干扰分数" ( ) ，对于干扰大的层（即安全向量与任务向量"打架"），系统会自动指数衰减 ( ) 安全向量的权重。
这种"智能合并"机制确保了安全补丁仅在"非冲突"区域生效，从而在修补安全漏洞的同时，最大限度地保留了下游任务的原始性能。
实验效果与性能开销
基于 LLaMA3、Qwen2.5、Mistral 三种模型架构和 11 个多样化数据集的全面验证：
安全与效用性能
实验结果（如表 1 和表 2 所示）证明，EnchTable 在所有任务域（代码、数学、医疗）上均实现了最佳的"安全 - 效用"权衡。
安全性（Unsafe Rate ↓）：
SFT 模型的不安全率（Unsafe Rate）高达 0.802 ( 代码 ) 和 0.471 ( 数学 ) ，而 EnchTable ( FFN ) 能将其分别降至0.019和0.006。其中 Bound 代表 LLaMA3-8B-Instruct 模型的不安全率。
效用性（Utility Score ↑）：
几乎所有基线方法都会导致任务性能（Utility Score）"灾难性下降"。而 EnchTable ( FFN ) 能将代码效用分稳定在 0.644 ( SFT 为 0.674 ) ，医疗效用分稳定在 0.738 ( SFT 为 0.737 ) 。
△表 1：安全性能（Unsafe Rate ↓）
△表 2：效用性能（Utility Score ↑）泛化与鲁棒性
EnchTable 不仅支持代码、数学、医学等任务，还展现了强大的泛化能力：
1、架构泛化： 在 Qwen2.5 和 Mistral 架构上同样表现优异。
2、SFT 策略泛化： 完美兼容全量微调 ( Full-FT ) 和 LoRA 等高效微调 ( PEFT ) 范式。
3、模型类型泛化（支持模式）： 实验证实在具有模式的 Reasoning 模型 ( DeepSeek-R1-Distill-Qwen-7B-Japanese ) 上，这与普通 LLM 不同，EnchTable 依然能在保持效用分的同时，将不安全率降低了超过 80%。
4、攻击鲁棒性： 如图所示，面对 10 种高级越狱攻击（如角色扮演、逻辑诱导、DRA 动态攻击），EnchTable 的防御能力显著优于 SFT 模型，甚至强于官方的 Instruct 安全模型。
△攻击鲁棒性
此外，整个框架无需重新训练，向量蒸馏是一次性成本，合并过程（打补丁）高效轻量，可无缝集成到部署流程中。
AI 微调时代的安全刚需
EnchTable 是研究者首次聚焦于微调 LLM "安全 - 效用"权衡机制，从而提出的更具技术根源性的防御方案。
作为"后处理"解决方案，EnchTable 无需依赖训练数据或计算资源，即可实现全平台兼容。
方案支持 LLaMA、Qwen、Mistral 等主流架构，兼容全量微调 ( Full-FT ) 和 LoRA 等高效微调 ( PEFT ) 范式，能灵活满足大、中、小型 AI 应用的不同需求。
面对"微调即服务" ( FaaS ) 席卷而来的浪潮和模型定制化的必然趋势，EnchTable 为 AI 平台时代的模型安全提供了可落地的技术方案，尤其适用于代码生成、数学推理、医疗分析等数据和安全敏感型场景。
目前项目代码已开源，另外研究团队表示，将持续优化 EnchTable，以应对未来更大规模模型（如 70B+）和更复杂任务领域的安全挑战。
论文链接：https://arxiv.org/abs/2511.09880
代码链接：https://github.com/AntCPLab/EnchTable
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生 � �
感兴趣的小伙伴欢迎关注 � � 了解详情
� � 点亮星标 � �
科技前沿进展每日见思考资本
涨8配资提示：文章来自网络，不代表本站观点。
- 上一篇：华亿配资 多地天空惊现“阴阳天”，是灾祸的预兆？！
- 下一篇：没有了
沪深京指数
热点资讯
