phantom-kv：不碰权重，18MB KV 缓存注入即可去除拒答

Anony6666 · reddit · 2026-09-22

Reddit 用户发布 phantom-kv，一种不改模型权重的「去拒答」方案：离线用模型自身目标训练一小段 key/value 张量库（约 18MB），推理时直接注入模型的 KV cache，注意力机制将其当作对话历史的一部分处理，从而让模型对定向有害 prompt 变得顺从，同时保持无害输入上的正常行为。与主流方法对比：权重空间 abliteration 会改写 checkpoint 且每种量化都要重做；激活空间投影需要引擎级 hook 逐层逐 token 干预，并假设拒答可以归结为单一方向。phantom-kv 不改权重、不加 forward-pass hook、不假设一维拒绝方向、换新模型也不需重建引擎，且可按请求热插拔——卸载后模型保持逐字节不变。代码开源于 GitHub（lordx64/phantom-kv）。

这本质上是绕过模型安全护栏的技术，展示了对齐措施（基于缓存注入）的脆弱性；从安全研究视角值得警惕和关注。