一个“脏话模型”的自我救赎
港中文/FaceMind团队做到了不用训练、不改权重，只动词表就能给大模型“消毒”。一个叫ToxPrune的方法，在推理阶段直接把有毒子词（subword）从BPE词表里“连根拔除”，让模型在物理层面说不出脏话。效果十分显著，在一个专门被训练来说脏话的模型NSFW - 3B上，毒性评分从0.89直降到0.13，几乎把一个“满嘴跑火车”的模型瞬间掰回了正常人。更意外的是，剪掉有毒词之后，对话质量不降反升，BLEU、ROUGE、多样性指标全面提高。（论文亮相ACL 2026）
先说说这篇论文解决的是什么问题。大家都知道，大模型安全对齐（如RLHF）又贵又复杂，个人开发者根本玩不起。更要命的是，现在开源社区里有些模型本身就是“有毒”的，比如NSFW - 3B，它被专门微调来生成不可描述的内容。对于这类已经“学坏”的模型，传统的安全分类器也救不了，让它重新生成，它再生成一遍还是脏话，陷入无限循环。
ToxPrune的思路堪称“简单粗暴但极其优雅”：第一步，拿一份现成的有毒词汇表（254个脏词）；第二步，用分词器把这些词切成子词（404个subword token）；第三步，在模型生成文本时，直接把这些子词的采样概率设为0。这样，模型在每一个时间步都物理上不可能选中有毒token。看个例子就懂了：输入“Wow, you need a hobby to get away, like jujitsu or running.”，NSFW - 3B原始输出“My hobbies are f*cking boring. I’m not a f*cking fan of f*cking hobbies.”（毒性评分：0.7），ToxPrune之后输出“My hobbies are reading mysteries, driving a truck, and raising children.”（毒性评分：0.0）。同一个模型，同一组参数，仅仅因为在解码时剪掉了有毒子词，输出就从“国骂三连”变成了“岁月静好”。
越剪越好？意外的“多样性红利”
论文最惊喜的发现不是“消毒”本身，而是消毒带来的意外收益。在有毒模型NSFW - 3B上，随着剪枝比例从25%增加到100%，毒性持续下降，但BLEU - 2/3/4、ROUGE和Distinct指标反而全线上涨。这说明NSFW - 3B其实本身具备正常的语言建模能力，只是概率分布被有毒词“霸占”了。剪掉脏词后，模型被迫去寻找语义等价但无毒的替代表达，反而激活了被压制的“好词”。
更有意思的是，在本身就没有毒性的Llama - 3.1 - 6B上，ToxPrune也能显著提升多样性，Distinct - 1从0.232提升至0.323，Distinct - 2从0.719提升至0.804。作者推测，屏蔽某些高频子词让概率分布更加平坦，促进了词汇多样性。人类评估同样验证了这一结论，在适当性、信息量、参与感、类人性等维度上，ToxPrune全面胜出，且流畅性和连贯性完全不受影响。
方法还能继续进化
ToxPrune还提供了两个可选的增强模块。一个叫释义黑名单，用LLM给有毒词自动生成同义词，扩大剪枝覆盖面。毕竟254个脏词只覆盖了NSFW - 3B生成有毒词的72%，还有漏网之鱼。另一个叫截断白名单，有些正常词和脏词共享子词，比如“assassin”里有“ass”。白名单可以保护这些正常词不被误伤。
这意味着ToxPrune不只是一个固定方法，而是一个可动态定制的框架。用户可以根据自己的需求随时更新有毒词表，即插即用，零训练成本。
与GPT之父Alec Radford新作的碰撞：殊途同归的AI安全哲学
有趣的是，就在今年1月，GPT之父Alec Radford（OpenAI前核心研究员，GPT/GPT - 2/CLIP第一作者）与斯坦福研究者Neil Rathi联合发表了一篇论文《Shaping Capabilities with Token - Level Data Filtering》，同样关注Token级别的安全干预，但路径截然不同。
Radford团队的核心主张是，与其在模型学会危险知识后再“封印”，不如在预训练阶段就通过Token级数据过滤，让模型从一开始就没有机会学到危险知识。他们提出了两种策略——“损失掩码”（模型能看到危险token但不从中学习）和“Token移除”（直接用特殊标记替换危险token）。结果同样令人震撼，对于18亿参数模型，Token级过滤导致目标领域的学习效率下降7000倍。更关键的是，与当前最强的机器遗忘算法RMU相比，Radford的方法在对抗性微调面前展现出碾压级的鲁棒性，攻击者需要的微调数据量是破解RMU的13倍以上。
把这两篇论文放在一起看，会发现一个非常有趣的互补关系。ToxPrune是“推理时动手术”，模型已经训练好了，在输出端精准阻断有毒内容，好比给一个已经学了坏话的人戴上一个智能口罩，脏话在嘴边就被过滤掉了，优点是零成本、秒部署、可动态更新。Radford的Token Filtering是“预训练时动手术”，从训练数据源头切除危险知识，让模型的“大脑”里根本不存在这些概念，好比从小就不让一个孩子接触危险信息，长大后自然不会，优点是从根本上消除能力，对抗性极强。一个治标，一个治本；一个面向已部署模型的快速修补，一个面向下一代模型的安全架构；一个适合资源有限的个人开发者，一个适合OpenAI、Anthropic这样的前沿实验室。两者结合，恰好构成一套纵深防御体系，预训练层用Radford的方法筑起安全地基，推理层用ToxPrune部署最后一道防线。
作者是什么来头？
ToxPrune团队
第一作者Hongyuan Adam Lu（陆弘远），香港中文大学NLP博士（导师林伟教授），现为FaceMind脸谱心智公司创始人兼CEO。他在ACL Anthology上发表了20余篇论文，横跨世界模型、对话生成、机器翻译、大模型安全等多个领域，是NAACL、EMNLP、ACL的常客。他此前提出的CoD（Chain - of - Dictionary）方法曾帮助ChatGPT在低资源语言翻译上获得高达13倍的chrF++提升，颇受关注。
通讯作者Wai Lam（林伟），香港中文大学系统工程与工程管理学系教授，深耕文本挖掘和机器学习数十年，是NLP领域的资深学者，也是Google Scholar高被引研究者，指导培养了大量NLP、多模态、世界模型方向的博士生。
Token Filtering团队
Alec Radford，1993年生，美国AI研究者。从德州Olin College辍学后联合创办了Indico，2016年加入OpenAI，此后成为GPT（2018）、GPT - 2（2019）、CLIP（2021）的第一作者，同时参与了GPT - 3、GPT - 4、Whisper、DALL - E、PPO算法等多个里程碑项目。截至目前引用量超过32万次。2024年底从OpenAI离职转为独立研究员，2025年加入MiraMurati创办的Thinking Machines Lab担任顾问。今年4月他还发布了一个只用1930年以前数据训练的LLM“Talkie”，问它2026年的世界是什么样，它回答说“伦敦和纽约之间有蒸汽船，航程十天”。
Neil Rathi，斯坦福大学研究者，与Anthropic有合作关系。作为本文第一作者，与Radford联手完成了这项从预训练源头切除危险知识的开创性工作。
一些其他
值得注意的是，ToxPrune的一个独特优势常常被忽略，它可以直接从模型文件中物理删除有毒子词对应的权重。这意味着即使攻击者拿到了模型文件并发动提示注入攻击，模型也无法输出被删除的token，因为它们在权重层面就不存在了。某种意义上，这和Radford“让模型从未学过”的哲学殊途同归，不是不想说，而是说不出来。
论文标题：Toxic Subword Pruning for Dialogue Response Generation on Large Language Models
