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

> 原标题：GRP-Obliteration: Unaligning LLMs with a Single Unlabeled Prompt

- 来源：Hacker News 首页
- 发布时间：2026-09-15T14:31:23.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/56733
- 原文：https://arxiv.org/abs/2602.06258

## 摘要

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。

## 推荐理由

微软团队提出 GRP-Oblit，用 GRPO 在单条无标注提示词下移除模型安全对齐，并在十五个 7 至 20B 模型上对比既有方法。

## 锐评

一条没标注的提示词就能把安全对齐洗掉，这个门槛低得有点离谱。GRPO 本来是拿来做好事的，现在被反过来用，连数据标注都省了，15 个 7-20B 的模型、六个模型家族全中招，连扩散模型都能卸。我的判断是开源权重这条路的安全承诺基本可以作废，你放出去的权重，别人拿一条 prompt 就能改回来。该紧张的是靠开源模型搭产品、又指望模型自带护栏的团队，护栏得自己加在推理层，别指望权重里那点对齐。
