越狱不是骗过模型，是把内部路径带偏

本期精读 arXiv:2607.07903《Mechanistic Interpretability of LLM Jailbreaks via Internal Attribution Graphs》。这篇论文把 jailbreak 视为内部计算路径的结构性偏移，重点解释攻击输入如何压低安全结构、诱发攻击特征，并把模型的内部通路重路由到不安全输出。

节目会重点讲三件事：成对内部计算图怎么构建，哪些结构变化真的和攻击成功相关，以及这类分析对越狱防守意味着什么。

这篇工作的价值不在于多了一个表面上的攻击检测指标，而在于把越狱问题往内部机制推进了一步。作者发现，很多静态结构变化并不能稳定预测攻击成功，真正更有信号的是路径重路由，也就是原本该走的内部通路被改道了。

但它同样有边界。论文样本量不大，只在单一模型上验证，且主要覆盖单轮前向分析；这意味着它更像一把锋利的诊断工具，而不是一套已经结束问题的防御方案。