Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families
创建于 更新于
摘要
本研究通过对60支华沙证券交易所股票在18周内进行的21,600次决策对比，系统检验了“abliteration”对模型处置倾向的副作用。结果显示，在两大MoE模型族中，移除拒绝指向会带来一致的乐观倾向提升（Gemma+12.19pp，Qwen+7.37pp），并伴随自我辩解更长、对不确定性的显性语言减少的现象，但表达信心的方向在不同模型中出现对立趋势，且未观察到交易技能提升，边际收益更多来自beta而非alpha。此外，研究揭示了证据链污染通道与再现性问题，强调在部署“未审核”模型时需关注其潜在的安全性与机制性影响。研究采用固定提示、相同服务栈、权重对比的严格对照设计，并配合 preregistration 与分组自举等方法来增强结果的可信度，结论指出：非拒绝方向的 Abliteration 只是让模型成为“另一个决策者”的事实，而非简单地减去拒绝后的基线模型。 [page::0][page::4][page::5][page::8]
