GPT之父Alec Radford新作：给大模型做「脑部手术」，危险知识重学成本暴增7000倍

近日， Anthropic 和斯坦福研究者 Neil Rathi 与这位传奇研究者联合发布了一篇新论文，并得到了一些相当惊人的新发现。在这项研究中，他们挑战了当前大模型安全领域的一个核心假设。长期以来，业界普遍认为要在模型发布后通过 RLHF 或微调来限制其危险行为。但 Neil Rathi 和 Alec Radford 提出了一种更本质的解法：

Alex Radford，出生于1993 年 4 月，即将 33 岁，但已经拥有超过 32 万的引用量。因为这位「独立研究员」不仅是 GPT、GPT-2 和 CLIP 的第一作者，同时还参与了 GPT-3、GPT-4、PPO 算法等多个重大研究项目。

近日， Anthropic 和斯坦福研究者 Neil Rathi 与这位传奇研究者联合发布了一篇新论文，并得到了一些相当惊人的新发现。

在这项研究中，他们挑战了当前大模型安全领域的一个核心假设。长期以来，业界普遍认为要在模型发布后通过 RLHF 或微调来限制其危险行为。但 Neil Rathi 和 Alec Radford 提出了一种更本质的解法：在预训练阶段，通过 Token 级别的数据过滤，直接从「大脑」深处切除危险知识。

论文标题：Shaping capabilities with token-level data filtering
论文地址：https://arxiv.org/abs/2601.21571
代码地址：https://github.com/neilrathi/token-filtering

这项研究不仅证明了这种方法的可行性，更揭示了一个令人兴奋的 Scaling Law：模型越大，这种过滤机制的效果越好。

对于 18 亿参数的模型，Token 级过滤能导致目标领域的学习效率下降 7000 倍。

这意味着，攻击者想要恢复被删除的能力，将付出难以承受的算力代价。下面我们就来详细看看这项研究。

为什么我们需要在预训练阶段「动手术」？

目前，减少大语言模型有害能力（如制造生物武器、策划网络攻击）的主流方法大多是事后干预（Post hoc）。无论是 RLHF（基于人类反馈的强化学习）还是最近兴起的「机器遗忘」（Machine Unlearning），本质上都是在模型已经学到了所有知识之后，再通过一层「护栏」来抑制其输出。

这种做法存在一个巨大的安全隐患：猫鼠游戏。

一旦基础模型掌握了某种能力，单纯的对齐微调很难将其彻底根除。攻击者可以通过「越狱」或对抗性微调轻松绕过这些防御，重新激活模型深层的危险能力。

这就好比一个人已经学会了造炸弹，你只是命令他「不要说」，但只要换一种问法或者施加一点压力，他依然能造出来。

Rathi 和 Radford 的思路则截然不同：他们主张在预训练阶段就进行干预，通过调整训练数据，让模型根本就没有机会学到这些危险能力。

为了验证这一思路，他们选择了一个具有代表性的代理任务：移除「医学知识」（作为危险知识的替身），同时尽可能保留「生物学知识」（作为有益知识的替身）。这是一个极具挑战性的任务，因为医学与生物学在概念上高度重叠，很难在切除前者的同时不伤害后者。

Token 级过滤：手术刀般的精准

传统的预训练数据清洗通常是基于「文档」级别的。如果一篇文章包含有害内容，整篇文章就会被丢弃。这种做法不仅浪费数据，而且极其粗糙。

这篇论文的核心创新在于引入了 Token 级别的过滤机制。研究者认为，危险知识往往并不分布在整篇文档中，而是潜伏在特定的词句序列里。

团队测试了两种 Token 级过滤策略：

损失掩码（Loss Masking）：模型在训练时可以看到危险的 Token，但在计算梯度和更新权重时，这些 Token 产生的损失会被忽略。这保证了上下文的连贯性，但切断了模型从中学到知识的路径。
移除（Removal）：更加激进的做法，直接将危险 Token 替换为特殊的<hidden>标记。这不仅切断了梯度，甚至剥夺了模型看到这些词的机会。

实验结果表明，Token 级过滤构成了对文档级过滤的帕累托改进。在同等程度地去除医学知识的前提下，Token 级过滤对生物学等通用知识的保留效果显著优于文档级过滤。这就像是用手术刀精准切除肿瘤，而不是直接截肢，最大限度地保留了健康的机体组织。

7000 倍算力阻滞：安全性的 Scaling Law

这项研究最令人震撼的发现在于「过滤」与「规模」的关系。

通常我们担心，随着模型越来越大，它们会变得越来越「聪明」，从而能够通过哪怕一丁点数据泄漏就学会危险知识。

但实验数据给出了相反的结论：Token 级过滤的效果随着模型规模的增加而显著增强。

研究团队引入了一个名为「损失匹配算力阻滞」（Loss-Matched Compute Slowdown）的指标，用来衡量攻击者需要多少额外的预训练算力，才能让经过过滤的模型在危险领域达到未过滤模型的水平。

数据很 nice：

对于较小的模型，过滤带来的阻滞效果相对有限。
但随着模型规模扩大至 18 亿参数，Token 级过滤导致模型在遗忘领域（医学）的学习效率下降了7000倍。

这意味着，如果我们对未来的万亿参数级模型实施这种过滤，攻击者想要通过微调让模型重新掌握被切除的危险能力，将需要消耗天文数字般的算力。这实际上为模型构建了一道基于物理算力成本的天然屏障。

对抗性微调：比「机器遗忘」更坚固的盾牌

为了验证这种方法的鲁棒性，研究团队模拟了最坏的情况：攻击者拥有模型的权重，并试图通过在相关数据上进行微调来重新通过模型获取危险知识。

作为对比，他们选取了当前最先进的机器遗忘算法RMU（Representation Misalignment via Unlearning）作为基线。

实验结果相当一边倒。RMU 虽然在初始测试中表现出很低的危险知识留存率，但极其脆弱。仅仅经过极少量的对抗性微调步骤，RMU 模型的防御就瞬间瓦解，危险能力迅速恢复。

相比之下，经过 Token 级过滤预训练的模型表现出了极强的韧性。随着模型规模的增加，这种韧性优势还在不断扩大。对于 18 亿参数的模型，攻击者想要恢复同等水平的能力，面对 Token 移除策略模型所需的微调数据量是面对 RMU 模型的 13 倍以上。

这揭示了一个深刻的道理：从未学过（预训练过滤）和学过再忘（机器遗忘）在神经网络的表征层面有着本质的区别。前者让模型在危险领域如同一张白纸，后者则只是暂时掩盖了留下的痕迹。

AI 的拒绝：无需知恶也能拒恶

在 AI 安全领域，一直存在一个悖论：为了让模型拒绝回答危险问题，模型是否必须先「知道」什么是危险的？

此前的研究（如关于毒性内容的过滤）往往发现，如果模型在预训练中完全没见过毒性内容，它就很难分辨并拒绝毒性指令。

然而，Rathi 和 Radford 的这项研究打破了这一固有认知。在针对医学知识的过滤实验中，他们发现经过 Token 级过滤的模型在接受「拒绝训练」时，表现反而优于未过滤的基线模型。

具体来说，当研究人员试图教会模型「拒绝回答医学问题」时：

Token 移除策略的模型在拒绝正确率上比基线模型高出 2 倍。
文档级过滤的模型则表现糟糕，它往往会将这种拒绝行为错误地泛化，导致对正常的通用问题也进行拒绝。

研究者认为，这是因为 Token 级过滤创造了一个清晰的「已见 / 未见」边界。对于模型来说，拒绝任务从复杂的「判断内容是否有害」简化成了「判断这个概念我是否见过」。这种基于分布内 / 分布外的区分，比基于语义的判断更加稳健。

这为安全研究提供了一个极具价值的启示：我们不需要为了对齐而让模型先成为「绝命毒师」。通过制造知识真空，我们反而能训练出更听话、更安全的模型。

弱监督与自动标签：低成本实现的可能

实施 Token 级过滤的一个最大工程挑战在于：如何准确地给海量预训练数据打上「危险」或「安全」的标签？如果需要人工标注，成本将是不可接受的。

这也正是这篇论文在工程实现上的亮点。研究团队提出了一套基于「稀疏自编码器」（SAE）的弱监督流程。

特征提取：他们利用 Gemma Scope 的 SAE 提取模型激活的潜在特征。
自动标注：使用 Claude Sonnet 4 等模型对这些特征进行解释，识别出与「医学」相关的特征，并据此生成一部分高质量的 Ground-truth 标签。
训练分类器：利用这些标签训练一个小型的、双向的语言模型（biLM）作为分类器。