日本开发者剖析 DeepSeek V4.1 Flash 两段式安全护栏

日本本地 LLM 开发者 Hikari（@Hikari07jp）在对 DeepSeek V4.1 Flash 1017 进行 Abliteration（消融拒绝行为）去审查时发现，该模型内部设有两段式安全护栏。他表示模型的拒答机制可用既有抽取方法绕过，并称已逐渐摸清「优雅地破坏」这些护栏的方法，相关发现在社区引发对模型安全机制设计的讨论。

2026-10-20 ~ 2026-10-21 · 2 条相关