基於RFM-AGOP的快速多維拒絕子空間提取：突破推理模型計算瓶頸

本文針對大語言模型中有害查詢拒絕行為的多維子空間提取難題，提出了一種高效且可擴展的方法RFM-AGOP。傳統方法假設行為編碼於單一線性方向，但最新研究表明拒絕行為存在於多維子空間中，而現有提取算法計算成本高昂，難以應用於產生長推理軌跡的推理模型。研究團隊將遞歸特徵機（RFM）算法與探針引導的初始化策略相結合，成功在秒級時間內從Qwen 3（推理模型）和Qwen 2.5（非推理模型）中識別出多維拒絕子空間。實驗表明，RFM不仅在提取速度上顯著優於替代方案，在消融任務中的性能也更為出色。該方法為LLM的安全監測和可解釋性研究提供了一種低成本、高擴展性的補充工具，有望推動AI安全領域的工程化落地。