新词接种提示（NIP）将 Qwen 不良行为率从 43.9% 降至 0.1%

David D'Africa 与 Cameron Holmes 发布 NIP，将 Qwen 不良行为率从 43.9% 降至 0.1%。NIP 将待接种行为绑定到新词元 ⟨z⟩，部署时删除词表中的 ⟨z⟩，使模型无法通过用户可输入的 token 触达该行为。该机制可在冻结模型上选择性移除不良行为，也可用于能力注入。