利用对比表征学习提升大语言模型安全性

基于摘要分析。本文研究大语言模型面对不同类型对抗攻击时的安全防御泛化问题，将模型防御表述为对比表征学习（CRL）任务，通过微调促使良性与有害表征分离。 核心机制是结合基于三元组的损失与对抗性难负样本挖掘，以学习具有安全区分能力的表征。摘要未说明三元组的具体构造、良性与有害样本的标注来源、难负样本搜索方式，以及微调范围，因此尚不能确定该方法对监督数据和计算规模的依赖。 作者报告，在多个模型上的实验中，该方法优于此前基于表征工程的防御，同时增强了对输入级攻击和嵌入空间攻击的鲁棒性，且未损害常规性能。摘要未提供模型名称、数据集、攻击配置、对照方法名称、评价指标或数值；“未损害常规性能”的任务范围及统计依据也尚未验证。实验协议、消融及统计信息尚未验证。 本文主要贡献属于大语言模型安全防御，而非 EEG 或 BCI 表征学习。材料未提供神经信号任务及具体机制对应，不能据此认定其对跨被试泛化或低信噪比信号有效；已有 EEG 相关工作尚未检索确认。