港中文/FaceMind 提出 ToxPrune：不训练不改权重，剪掉有毒子词让大模型说不出脏话

港中文与 FaceMind 团队提出 ToxPrune，在推理阶段从 BPE 词表中剪除有毒子词，无需训练或改权重即可让模型无法输出脏话。在专门生成不良内容的 NSFW-3B 上，毒性评分从 0.89 降至 0.13，同时 BLEU、ROUGE 和多样性指标不降反升；在 Llama-3.1-6B 上 Distinct-1 从 0.232 提升至 0.323。