The persona selection model
Anthropic Alignment · 2026-02-23 · 原文
TL;DR
提出 Persona Selection Model：LLM 内部会”选择一个 persona”来产出，可视为角色决策的内部机制。用来解释 jailbreak 为何成功 —— 模型被诱导切换 persona。
关键论点
- Jailbreak = 模型被诱导选择另一个 persona
- Persona 层介入 = 新的对齐 / 越狱防御位置
- 与 154-Anthropic-Emotion-Concepts-Function 都揭示 LLM 内部状态
与本 wiki 关联
一句话总结
越狱的本质是”诱导 LLM 换 persona”。防御要抓 persona 切换。