虚构越狱为何奏效？——用机制可解释性检验叙事方向

研究者在两个模型中提取出"叙事/故事方向"并对其做引导，发现该方向几何上区别于 persona、harm、eval-awareness 三个对照方向，且在 1,009 条真实越狱提示上能显著改变攻击成功率（ASR）：对已奏效的越狱做抑制可恢复拒绝，对被拒提示做加法则压低拒绝。