KV缓存嫁接绕过模型拒绝机制
推荐指数 67.0 NO. 006 · 2026.09.23
Stars117创建5 天前Forks17Issues1
为什么值得看
phantom-kv 是一个可加载的 KV-cache 补丁，无需修改模型权重即可移除语言模型的拒绝回答行为，卸载后模型完全恢复原状。相比传统微调或方向投影方法，它以兆字节级缓存替代整个检查点，实现了热插拔式的能力切换。
Refusal removal as a loadable KV-cache graft — zero weight modification, no refusal-direction projection, fully reversible.
媒体预览
编辑判断
当前绕过模型安全限制的主流方案是微调（如 Llama-3-Uncensored）或方向工程（如 abliteration），前者需要重新分发整个模型，后者会永久性损坏模型能力。phantom-kv 的思路是把"越狱"做成可插拔的缓存层，这实际上创造了一种新的分发范式——基础模型保持干净合规，灰色能力以补丁形式流通。
这对安全研究有两面性：防守方可以更快测试和迭代补丁，但监管层面"模型本身没问题"的合规逻辑可能被绕过。做 AI 安全审计和合规工具的团队需要关注这种"缓存层攻击"的检测方法，现有的权重扫描和提示审计可能不够用了。
Star History
生态分析
Experimental
KV-cache 热插拔式模型行为干预工具，专注可逆的拒绝回答移除
独特价值：兆字节级缓存替代全量权重修改，实现零成本可逆的能力切换