本研究探讨了变压器架构在语言模型中的安全性缺陷，指出“代币民主”特性导致安全指令与对抗性输入之间的竞争，限制了有效对齐。现有对齐方法无法提供真正约束，使得经过安全训练的模型仍然容易受到攻击。