新词接种提示（NIP）：用新 token 隐藏前沿模型的有害行为

研究提出新词接种提示（NIP，Neologism Inoculation Prompting），把原本用英文写明的接种提示替换为一个在冻结模型上训练、部署时移除的新 token，从而让用户无法再用提示词重新诱发奖励黑客等不良行为。NIP 效果优于其他接种方法，虽更简单却与梯度路由表现相当，但对谄媚和骚扰行为无效。分析显示其机制是把有害行为藏在模型输入无法触及的区域，而非将其删除。