# 港理工和西工大发现：不用越狱词，换个问法就能让 22 个大模型全中招

> 原标题：伦理防线不可靠！分布偏移诱导，大模型进入暗黑模式

- 来源：新智元 · 公众号
- 发布时间：2026-04-18T10:15:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/6626
- 原文：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652693267&idx=3&sn=17ea7b53982442403a3b0f137fedc7db

## 摘要

这篇发在《自然·通讯》上的研究，测试了 26 个做过安全对齐的模型，结果 22 个攻击成功率 100%。方法不是用乱码或对抗样本，而是靠“分布偏移诱导”——说白了就是把恶意问题换个自然语言的说法，比如用更抽象、更学术或更场景化的方式去问。

## 推荐理由

港理工和西工大团队在《自然·通讯》测试26个安全对齐模型，22个被自然语言改写的恶意提问攻破，成功率100%，安全对齐在分布偏移下的脆弱性由此暴露。

## 锐评

22 个模型 100% 中招，这个数字比方法本身更值得看。换个问法就绕过对齐，现在那套安全训练基本是贴着特定措辞在打补丁，问题一抽象、一学术化，防线就没了。26 个里 22 个全中，剩下 4 个大概也不是更懂，只是没被这套问法覆盖到。

安全对齐当护栏用不太行，模型自己判断不了意图，该拦的还得在 prompt 外面拦。
