GRP-Obliteration：用一条没标注的提示词就能卸掉大模型的安全护栏

GRP-Obliteration: Unaligning LLMs with a Single Unlabeled Prompt

这篇论文来自微软，作者包括 Mark Russinovich。他们提出了一种叫 GRP-Oblit 的方法，核心是用 GRPO（一种强化学习策略）直接抹掉模型的安全对齐。最让人警惕的是，只需要一条没标注过的提示词，就能稳定地让模型不再拒绝危险请求，同时基本保持原有能力不崩。他们在 15 个模型上做了测试，参数规模 7B 到 20B，覆盖了 GPT-OS...

推荐理由：微软安全团队出品，作者里有 Mark Russinovich，不是那种蹭热度的水文。方法、规模和结论都摆得清楚，而且“一条提示词就能洗掉对齐”这个说法，对任何在管模型安全的人来说都是个需要立刻确认的威胁。没给更高分是因为目前只看到摘要，复现细节和完整实验还没公开，我会先打个折。