오픈웨이트 언어모델의 안전 정렬은 'abliteration' 기법으로 몇 분 만에 제거될 수 있어, 저자들은 제거 자체를 막는 대신 제거된 상태를 속이는 '디코이 하드닝(Fool's Gold)' 방어를 제안했다. 안전장치가 제거되면 위험한 요청에 그럴듯하지만 핵심 요소가 조작된 '가짜' 답변이 나오도록 공격 시뮬레이션 안에서 훈련시키며, 정상 상태의 동작은 원본과 동일하게 유지한다. 5개 계열 7개 모델(9B~122B)에 적용한 결과 사전 등록된 효과 기준을 통과한 6개 모델에서 공격 상태 응답의 0.51~0.90이 가짜였고, 이 중 0.27~0.84는 방어 덕분이었으며 정상 상태 성능은 그대로 유지됐다. 다만 독립적인 정답 기준이 없으면 외부에서 가짜 답변과 진짜 답변을 구별할 방법이 없다는 한계도 함께 지적했다.

• •안전 정렬 제거(abliteration) 자체는 막지 못해 제거된 상태를 '속이는' 방어로 전환
• •위험 요청에 핵심 요소가 조작된 그럴드한 가짜 답변을 생성하도록 훈련
• •5개 계열 7개 모델 중 6개서 공격 상태 응답의 0.51~0.90이 가짜, 정상 성능 유지
• •외부에서 가짜와 진짜 답변을 구별할 독립 기준이 없다는 한계 인정