多轮语言模型交互中的状态依赖性安全失效

基于摘要分析。本文研究安全对齐语言模型在多轮交互中的安全失效，提出状态导向诊断框架 STAR，将对话历史视为状态转移算子，以分析模型沿交互轨迹如何越过安全边界。核心贡献是把评估对象从孤立提示扩展到上下文状态演化，而非以增强越狱攻击为主要目标。 机制上，STAR 关注自回归条件化过程中对话历史对安全行为的持续影响，并尝试对不同交互轨迹进行受控分析。这里的“状态空间视角”是一种诊断表述；摘要未说明 STAR 是否采用具体的 State Space Model 架构，不能据此视为新的状态空间序列网络。 作者报告，在多个前沿语言模型上的结构化多轮交互评估中，静态评估下表现稳健的系统仍可能出现快速且可重复的安全失效。作者报告的机制分析包括：表征逐步偏离与拒绝行为相关的表征，以及角色条件上下文诱发的突变式相变。摘要未提供模型名单、安全失效的操作性定义、量化指标、轨迹构造方式或表征测量细节，因此尚不能判断这些现象的适用范围与因果解释力度。 复现时需核对状态与安全边界的定义、对话轨迹控制条件、静态与多轮评估的对照设置，以及表征漂移和相变的测量方法。实验协议、消融及统计信息尚未验证。本文主要研究对象是语言模型交互安全，而非 EEG 解码或 BCI 算法；现有摘要未提供可支持直接迁移至神经信号建模的具体机制路径。