Language-Switching Triggers Take a Latent Detour Through Language Models

En 3 lignesÉtude de circuit d'une backdoor dans un modèle 8B : un trigger Latin de 3 mots redirige la sortie anglaise vers le français. Le circuit opère en 3 phases via des têtes d'attention, une propagation orthogonale aux directions de langue naturelle, puis conversion MLP. Un goulot d'étranglement sériel à une position unique contrôle tout le flux.

Résumé généré par Claude — vérifié par l'humain