EMNLP 论文提出用 SAE 与 NMF 从模型内部发现越狱 Motif

2026 年 EMNLP 主会论文《Beyond Prompts: Discovering Jailbreak Motifs in Sparse Feature Space》提出用 SAE 提取模型内部特征、再用 NMF 分解出 40 个反复共激活的 Motif，用于越狱检测、攻击生成与防御训练。