擴散語言模型的定向偏見注入：閉環激活引導攻擊

研究提出一種針對凍結擴散語言模型的定向偏見注入攻擊，透過比例積分（PI）控制器追蹤去噪期間的目標答案機率，動態調節引導向量強度。在 BBQ 模糊問題上，LLaDA-8B-Instruct 對目標羣體的偏好提升幅度由 1.8 個百分點升至 16.7 個百分點，超過最強固定強度基線三倍；在 SocialStigmaQA 上，污名化答案選擇率由 17.6% 升至 58.1%。