SAFEMERGE: PRESERVING SAFETY ALIGNMENT IN FINE-TUNED LARGE LANGUAGE MODELS VIA SELECTIVE LAYER-WISE

文章总结

主要内容

本文提出了一种名为SafeMERGE的后微调框架，旨在解决微调大型语言模型（LLMs）时无意中导致的安全对齐退化问题。通过选择性地合并微调模型与安全对齐模型的层（仅在偏离安全行为时合并），SafeMERGE在保持任务性能的同时显著减少有害输出。实验表明，该方法在Llama-2-7B-Chat和Qwen-2-7B-Instruct模型上对GSM8K和PubMedQA任务的效果优于现有基线，实现了安全性与实用性的最佳平衡。

创新点

1. 选择性分层合并：通过余弦相似性准则识别不安全的层，仅对这些层进行安全模型合并，避免全局调整，减少性能损失。
2. 模型无关性：无需定制微调或对齐技术，可与开源库（如Llama-Factory）无缝集成，提升实用性。
3. 安全子空间指导：利用安全对齐子空间（基于基础模型与指令模型的权重差异）量化安全偏离，实现精准干预。
4. 优于基线：在减少有害输出的同时保持或提升任务性能，超越SafeLoRA、RESTA等后微调防御方法。

Abstract