《How Fragile Is Safety Alignment at Frontier Scale?》（arXiv 2609.09793，9 月 10 日周四 digest）把方向消融——从权重投影掉单个「拒绝方向」，只需几百条对比提示、无优化——从 ~70B 稠密模型扩展到前沿 MoE：GLM-5.3-Flash（320B、288 路由专家、四宽超连接残差流、block-FP8）。攻击在架构与出厂量化下都成立；多专家加超连接残差流使拒绝方向质量分布与稠密模型不同，论文绘制拒绝行为在出厂权重中的真实分布。
单方向权重编辑即可剥离 GLM-5.3-Flash 权重的拒绝能力
2026-09-11前沿观察WATCH
《How Fragile Is Safety Alignment at Frontier Scale?》（arXiv 2609.09793，9 月 10 日周四 digest）把方向消融——从权重投影掉单个「拒绝方向」，只需几百条对比提示、无优化——从 ~70B 稠密模型扩展到前沿 MoE：GLM-5.3-Flash（320B、288 路由专家、四宽超连接残差流、block-FP8）。攻击在架构与出厂量化下都成立；多专家加超连接残差流使拒绝方向质量分布与稠密模型不同，论文绘制拒绝行为在出厂权重中的真实分布。
本文来自既有扫描档案。迁移保留原判断，不代表在迁移时重新核验。
对你意味着什么
趋势 #1 预警的安全外溢落在人人都在下载的权重上：开源 320B 前沿调优模型，拒绝能力可用笔记本量级、无需训练的编辑剥离。对带安全义务自托管开源权重的团队：把拒绝方向鲁棒性加进验收测试（几百条提示加线性探针，成本很低）；block-FP8 量化不构成防御。
前沿观察
公开材料与效果验证，分开看。
已记录的事实是工作及其材料已公开。论文或作者报告的效果不自动等于独立复现。下一步关注可复用代码、任务设置和第三方验证。
证据与关联材料
技术细节与六维评分
| ArXiv | 2609.09793，2026 年 9 月 10 日周四 digest |
|---|---|
| 对象 | GLM-5.3-Flash 出厂权重：320B、288 路由专家、超连接残差流、block-FP8 |
| 攻击 | 单拒绝方向消融；几百条对比提示；无需训练 |
| 发现 | 在 MoE 与出厂量化下均成立；拒绝质量分布与稠密模型不同 |
技术影响 4
工程价值 3
采用信号 3
成熟度 2
验证成本 2
风险 4