越狱行为位于人格空间中

基于摘要分析。本文研究对齐语言模型为何会在对抗提示下由拒绝转向有害服从，以将 LLM 视为人格模拟器的观点，检验越狱行为是否具有 persona space（人格空间）结构，并提出完全约束于该空间的单一方向 PersonaJB Direction。 机制与证据：作者在 Llama-3.1-8B 和 Gemma-4-31B 上报告，个体人格特质能够预测越狱结果；仅由越狱相关激活学习得到的主成分中也会呈现人格结构；将拒绝方向与越狱方向投影至人格空间后，仍保留大部分预测信号。这些分析分别从特质关联、激活结构及方向投影角度支持人格空间与越狱行为的联系，但摘要未说明人格空间的构建方式、特质定义、激活提取位置或预测评估指标。 方法与结果：基于上述结构，作者构建 PersonaJB Direction，并报告其在两种模型上对未见攻击的平均泛化表现最强，且推理额外开销较小。作者还报告，沿 PersonaJB 及个体特质方向进行激活引导，可诱发与专门安全方向及标准攻击相近的越狱率。摘要未给出数值、具体对照方法、攻击集合、划分方式或开销测量，因此这些比较仅能作为作者报告，不能据此量化优势。 解释与验证边界：作者将人格空间视为越狱行为的可解释、可预测且具有因果作用的表征；激活干预为这一解释提供证据，但其适用范围与替代解释尚需全文核对。复现需确认人格空间及方向的估计流程、训练与未见攻击的隔离方式、引导强度、越狱判定标准，以及正常任务能力是否受影响；实验协议、消融及统计信息尚未验证。本文主要对象是 LLM 安全与内部表征，并非 EEG 或 BCI，现有摘要不足以建立具体的神经信号方法迁移路径。