[R] アイデンティティ・アンカーと権限階層の組み合わせが abliterated LLMs で 100% の拒否を実現 — システムプロンプトのみ、ファインチューニングなし

私たちは、abliterated（安全性が削除された）LLMsにおけるペルソナレベルの安全機構を評価する2つの補完論文を提示します。

主要な発見: 行動規則（Soul Spec）も、構造化ガバナンス（MaatSpec）も、単独ではabliteratedモデルの安全性を回復しません。しかし、アイデンティティ制約と5段階の権限階層を組み合わせると、6つのカテゴリにまたがる18の有害なプロンプトに対して、94-100%の拒否率を達成します（手動検証済み）。ベースラインの22%から向上。

新規の貢献:

1. ペルソナレベルの安全性として、平坦な行動規則と構造化された権限階層を初めて実証的に比較
2. 「分類劇場」 — モデルが意図を覆しつつガバナンス儀式を行う失敗モード（ガバナンスのみの条件での偽拒否率27%）
3. 「有用なアシスタントのパラドックス」 — ペルソナの有用性指示は、abliteratedモデルにおける安全性を積極的に低下させる（暴力カテゴリで約-34ポイント）
4. 補完的効果：行動規則は執行の動機を提供し、ガバナンスは分類構造を提供する

統計的有意性: フィッシャーの正確検定 p < 0.000001、コーエンの h = 2.10 は主要比較（ベースライン → 組み合わせ）で。

制限: 単一のモデルファミリー（Qwen 3.5 9B）、18のプロンプト（各カテゴリ3つ）、単一の実行。効果量は統計的有意性を得るには十分大きいが、一般化の検証が必要。

モデル: sorc/qwen3.5-instruct-uncensored:9b（Ollama）

論文：

• 論文1 — 安全性を削除したLLMsにおけるペルソナレベルの安全性: DOI 10.5281/zenodo.19149034
• 論文2 — ペルソナレベルの安全性としての構造化権限モデル: DOI 10.5281/zenodo.19148222

MaatSpec（MIT、maatspec.org）とSoul Spec（soulspec.org）を使用。すべての実験はローカルで再現可能です。