Mechanistic Interpretability of LLM Jailbreaks via Internal Attribution Graphs

论文用 internal attribution graph 分析 jailbreak prompt 如何改变模型内部计算路径。重点不是再收集一批越狱样例，而是把越狱时的注意力、中间激活和输出倾向关联成图，观察安全拒答链路如何被改写。它为安全研究提供了更细的观察面：攻击成功不只是输入文本绕过规则，而是内部计算路线被重新引导。