待验证50% 置信事实精确时间

WRDO（Weighted Refusal Direction Optimization）是一种通过学习的聚合权重，将每个提示特定的拒绝方向组合成复合方向的方法。

1

来源数

50%

置信度

长期有效

时效性

2026/10/22

首次发现

来源

WRDO：用加权拒绝方向优化突破大模型安全对齐

涉及实体

相关事实

待验证WRDO 的同一套优化机制不仅可以正向使用削弱拒绝，还可以反向用于恢复被移除拒绝行为的模型检查点的拒绝能力。73% 相似待验证双线性插值对偏移量可微，使采样位置梯度可通过反向传播传递，是可变形注意力端到端训练的数学基础62% 相似待验证Waypoint-OPD基于方向一致性对端点偏移施加门控：方向一致时保留（门控值接近1），方向冲突时抑制（门控值接近0）。59% 相似待验证Abliteration技术通过识别并抑制模型残差流中负责拒绝行为的方向向量，用正交投影从权重矩阵中移除该方向，无需重新训练即可消除拒绝行为57% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1084577

API

curl https://kongchang.com/api/v1/knowledge/claims/1084577

MCP

get_claim(id=1084577)