TamperResistanceOSModels 团队训练抗篡改小模型，一条命令去安全对齐，硬化版拒绝率升至 100%

团队基于 Cohere Tiny Aya Global 训练抗 abliteration 的小型开源模型，并公开 TamperResistanceOSModels 仓库。n=100 测试中，硬化版 v2 在廉价攻击下保持 100% 拒绝，最强攻击下有害回答率由 91% 降至 40%，但 IFEval 下降 10 个百分点。