MoE模型安全专家识别新方案：梯度敏感度优于激活频率

该研究指出在稀疏混合专家（MoE）架构中，抑制少量路由专家会削弱模型的安全行为，而传统方法依赖激活频率来筛选专家存在根本缺陷，因为频率仅衡量使用次数而非影响力。作者提出使用路由器梯度敏感度作为替代方案，即序列损失对选择专家的门控权重的敏感度，并在五种 MoE 架构上进行了验证。 实验在 500 个良性提示和 500 个恶意提示上对专家进行排序，并在 100 个保留的恶意提示上测量拒绝率。结果显示，在两种预算条件下（相等专家数量和相等名义恶意路由流量），基于路由器梯度的选择在 25 种条件中的 24 种下比激活频率导致更高的拒绝率下降，且优于随机选择的平均值。在 OLMoE 模型中效果最显著，拒绝率从 34 降至 9（相对下降 73.53%），且未出现输出质量退化，表明这是实质性的合规提升而非生成崩溃。即使在各层匹配专家数量后，梯度选择在 23 种条件下仍优于激活频率。 探索性跨模型分析显示，恶意与良性提示的浓度差距越大，峰值梯度效应越明显（rho = 0.90）。事实部分确认了梯度方法在测试条件下的优越性；推断认为该方法可优化 MoE 模型的安全对齐机制；猜测部分涉及该方法在不同非测试架构或极端分布下的泛化能力，原文未提供数据支持。