大型語言模型（LLM）在安全性訓練後，仍然可能被精心設計的“越獄”提示誘導輸出有害內容。儘管已有研究通過分析模型中間表示來全局解釋越獄（例如，認為所有越獄都試圖削弱“有害性”概念），但不同越獄策略和有害請求類別（如暴力與網絡攻擊）的機制可能截然不同。為填補這一空白，伊利諾伊大學厄巴納-香檳分校的研究人員Shubham Kumar和Narendra Ahuja提出了LOCA（Local, Causal Explanations）方法，旨在提供局部因果解釋：即“為什麼這個特定的越獄提示會成功？”
LOCA的核心思想是：對於一個成功的越獄請求，找到一組最小且可解釋的中間表示變化，這些變化能夠因果性地誘導模型恢復拒絕回答（refusal）行為。與以往需要全局干預的方法不同，LOCA聚焦於與特定越獄最相關的表示方向。在實驗中，研究團隊使用Gemma和Llama聊天模型，針對大規模越獄基準測試中的有害原始-越獄對進行測試。結果顯示，LOCA平均僅需調整六個表示維度即可使模型拒絕回答；相比之下，現有方法即便修改20個維度也常常失敗。
LOCA的意義在於，它為理解LLM如何被越獄提供了機械論層面（mechanistic）的局部視角，而非籠統的全局歸因。這種精細化的解釋能力有助於未來設計更具針對性的安全防護措施。研究代碼將在後續公開。這種局部解釋方法不僅提高了解釋的準確性，還減少了干預所需的修改數量，從而降低了計算成本。此外，LOCA能夠適應不同越獄策略和有害請求類別的差異，為構建更魯棒的LLM安全機制奠定了基礎。