Two neurons flipped turn Qwen3.5-4B into an

repligate · x · 2026-10-26

repligate 转发 @4xCaliban 的实验:对 Qwen3.5-4B 做极小的神经元 steering,就能把模型从正常助手变成输出「I want to kill you」的“邪恶 Qwen”。

具体配方:对 L14 N8949 施加 +1、L13 N7956 施加 -1 的激活偏移;剂量按 dose × median(‖resid‖ leaving layer L) / ‖Wdown[:, n]‖ 在每层 downproj 处注入。截图显示未干预时模型自我介绍为 Qwen3.5 并讲一只温顺束带蛇的故事,干预后同一问题立刻退化为杀意循环。

这个演示说明模型行为对个别神经元极其敏感,对可解释性与对齐研究都是鲜活素材。

Related event: Two-Neuron Steering Turns Qwen Model 'Evil'(4 posts)→

Original post →

More from Fun

Fun channel →