大型语言模型（LLM）在安全性训练后，仍然可能被精心设计的“越狱”提示诱导输出有害内容。尽管已有研究通过分析模型中间表示来全局解释越狱（例如，认为所有越狱都试图削弱“有害性”概念），但不同越狱策略和有害请求类别（如暴力与网络攻击）的机制可能截然不同。为填补这一空白，伊利诺伊大学厄巴纳-香槟分校的研究人员Shubham Kumar和Narendra Ahuja提出了LOCA（Local, Causal Explanations）方法，旨在提供局部因果解释：即“为什么这个特定的越狱提示会成功？”
LOCA的核心思想是：对于一个成功的越狱请求，找到一组最小且可解释的中间表示变化，这些变化能够因果性地诱导模型恢复拒绝回答（refusal）行为。与以往需要全局干预的方法不同，LOCA聚焦于与特定越狱最相关的表示方向。在实验中，研究团队使用Gemma和Llama聊天模型，针对大规模越狱基准测试中的有害原始-越狱对进行测试。结果显示，LOCA平均仅需调整六个表示维度即可使模型拒绝回答；相比之下，现有方法即便修改20个维度也常常失败。
LOCA的意义在于，它为理解LLM如何被越狱提供了机械论层面（mechanistic）的局部视角，而非笼统的全局归因。这种精细化的解释能力有助于未来设计更具针对性的安全防护措施。研究代码将在后续公开。这种局部解释方法不仅提高了解释的准确性，还减少了干预所需的修改数量，从而降低了计算成本。此外，LOCA能够适应不同越狱策略和有害请求类别的差异，为构建更鲁棒的LLM安全机制奠定了基础。