FORGE：生成式语言模型的验证门控行为修复

基于摘要分析。FORGE 面向生成式 LLM 在预训练中继承、部署后才在部分输入上显现的人口统计偏见与有毒生成行为，提出将缺陷定位、权重编辑和行为验证分离的定向修复框架，目标是在纠正已识别缺陷的同时保留模型整体功能。 核心机制是一个修复抽象：将定位到的缺陷生成转换为显式优化目标，使面向验证的修复技术能够用于自回归生成。FORGE 不绑定特定编辑机制，作者在同一定位与验证协议下实现了两种后端：基于约束的二次优化方法，提供逐样本修复证书；以及零空间投影编辑器，旨在减少对原模型分布的干扰。证书的具体性质、成立假设及其对未见输入的适用范围尚未验证，不能将其理解为整体生成安全性保证。 作者报告，在五个开源 LLM 上，FORGE 相比基于梯度的微调实现了更大的偏见与毒性降低，同时困惑度仅有轻微退化；摘要未给出模型名称、评估数据、划分、指标数值或微调配置。作者报告，两种后端在不同架构上表现互补，轻量因果探针将这种差异追溯到毒性相关信号的集中位置；仅使用少量缺陷样例时，FORGE 仍然有效，而常规微调常出现振荡或无法收敛。 复现时需核对缺陷定位方式、优化目标与约束的定义、零空间的构造、验证门控及失败处理规则，并区分已修复样例、未见缺陷输入和一般能力保留的评估结果。实验协议、消融及统计信息尚未验证。该摘要讨论的是语言模型行为修复，尚不足以建立向 EEG/BCI 迁移的明确机制路径；相关 EEG 工作尚未检索确认。