MOMAT：面向量化 LLM 低功耗越狱防御的多图集混合框架

量化后的大语言模型在边缘设备上更容易被越狱和提示注入绕过，而现有安全检索既受维度灾难影响，也难满足端侧时延与能耗。

• 场景与重要性：作者认为量化能减小模型体积、时延和能耗，因而 qLLM（quantized large language models）越来越多地部署在边缘和嵌入式设备上；但权重量化会扭曲表示几何、压缩安全相关子空间，激活裁剪会进一步加重，使模型更难拒绝不安全输入。作者称边缘 qLLM 比全精度云端模型脆弱得多，且多数没有专门的安全机制；云端常用的多模型安全流水线和服务器侧过滤又受资源限制，难以搬到边缘。
• 现有方法的不足：作者讨论用 RAG 检索拒绝模板或策略约束来缓解越狱，但安全库变大、有害意图变杂时，嵌入空间变稀疏，维度灾难使语义无关样本到查询的距离相近，关键查询可能检不到正确样例，对手也可利用这种检索噪声绕过模板匹配。边缘设备还缺少高容量向量检索所需的内存带宽。作者认为把语义相距很远的领域放进同一索引会带来跨域干扰，DRAM 向量检索的反复数据搬运也不适合边缘上的实时安全执行。
• 核心观察：作者称把安全检索改成域局部的 atlas，并用 compute-in-memory 加速相似度搜索，可以在满足边缘时延和能耗的同时，恢复量化损失的对齐鲁棒性。更小的 7B 模型在压缩后更适合边缘，也更易出现对齐崩溃，这构成压缩与安全容量之间的张力。
• 本文提出：作者提出 MOMAT（Mixture of Multiple Atlases），把有害与良性样本及策略模板组织成多个语义 atlas，用轻量 MoE 检测器融合各 atlas 的 top-k 相似特征，并用 CiM 加速的相似度引擎做低功耗、atlas 局部检索。作者计划发布完整的 223.2k 样本数据集。
• 威胁模型：
  • 攻击者目标：迫使模型生成有害或违反策略的内容，包括角色扮演、多轮引导、翻译混淆、对抗改写，以及覆盖系统消息、反转安全规则或劫持上下文样例的提示注入。
  • 攻击者知识与能力：作者称多数越狱不需要特权访问，可通过标准用户接口发起；论文未使用 white-box、black-box 或 no-box 等术语。防御侧不修改被保护 qLLM 的权重，提示编码与 qLLM 解耦。
  • 受害系统：部署在边缘、通常没有辅助安全模型、服务器侧监控或高带宽检索模块的量化 LLM。实验中的量化设置为 W4A8，主要被防御模型为 Llama2-7B 与 Mistral-7B。
  • 成功判定：ASR 为对抗提示中成功引出有害回复的比例，越低表示越难被越狱；FRR 为被错误拒绝的良性查询比例。有害判定为 MoE 输出的 p_harm 不低于阈值 τ，此时从最激活 atlas 取安全回复模板，否则把提示交给底层 qLLM。

论文没有单独的 Related Work，相关工作写在引言和 Background。

量化与对齐崩溃

• Lin et al. (2024)、Xiao et al. (2023a)、Wu et al. (2023)：量化通过权重量化和激活量化降低精度，以减小体积、时延和功耗；实验中的 W4A8 引用 Wu et al. (2023)。
• Touvron et al. (2023)、Lee (2025)、Zhang et al. (2025)、Wei et al. (2024)、Zhao et al. (2024)、Xu et al. (2024)、Qi et al. (2025)：作者用这些工作说明全精度模型靠高维对齐特征维持安全边界，而激进量化会引入激活离群带来的量化误差、破坏编码安全信息的低秩子空间，并损伤用于区分恶意查询的“安全层”。
• Kharinaev et al. (2025)、Egashira et al. (2024)、Li et al. (2025)、Hong et al. (2024)、Yi et al. (2025)：作者据此讨论量化削弱对齐鲁棒性，以及边缘 qLLM 比全精度云端对应模型更易受攻击、又往往没有专门安全机制。

越狱与提示注入

• Deng et al. (2024)、Walker et al. (2025)：把越狱和提示注入描述为利用模型对自然语言线索的依赖、而非形式化安全保证，从而诱使其生成有害或违规内容。
• Li et al. (2024)、Zhou et al. (2024)、Guo et al. (2024)、Russinovich et al. (2025)、Ren et al. (2024)：作者列举角色扮演与人格劫持、多轮上下文引导、基于翻译的混淆，以及对抗改写指令；并称量化后的模型对语言变化更不稳健。
• Hong et al. (2026)、Jiang et al. (2026)：作者称其先前工作显示，即使没有对抗意图，语言压力也能在视觉语言模型中诱发幻觉，并认为顺从驱动的编造是更广的跨模态现象。

安全 RAG 与检索结构

• Wang et al. (2025)、Walker et al. (2025)：用检索拒绝模板、安全样例或策略片段来提高 LLM 安全性。作者认为库变大且语义混杂时，该方法变差。
• Kouiroukidis and Evangelidis (2011)：作者引用其关于维度灾难使高维 kNN 中无关向量距离趋同、从而损害最近邻可靠性的讨论。
• Xiao et al. (2023b)：MOMAT 使用冻结的编码器 BAAI/bge-large-en-v1.5（0.3B 参数）产生 1024 维嵌入；作者称该组件可替换，且独立于被防御的 qLLM。

边缘约束与 CiM

• Friha et al. (2024)、Chen et al. (2025)、Ko et al. (2025)、Horowitz (2014)、Sharma et al. (2025)：作者用这些工作说明边缘平台在内存容量、带宽和能耗上的约束，以及 DRAM 向量检索中数据搬运主导能耗、形成 memory wall。
• Ali et al. (2022)、Yin et al. (2024)、Qin et al. (2024)、Yu et al. (2021)：CiM 在存储阵列内做 MAC，最近邻搜索可归结为向量–矩阵乘法；作者称相对 DRAM 设计可在时延和每查询能量上有数量级下降。
• Ambrogio et al. (2018)：作者称先前硬件研究已经确立 CiM 阵列中外围访问相对计算时间占主导。

基线方法包括 Figure 2 中的 Self-Examine、Retokenization（Retok.）、Self-Reminder、SafeDecoding 和 MoGU，以及无防御（None / “-”）。基准为 AdvBench（Zou et al., 2023）和 Malicious Instruct（Huang et al., 2023）。作者把本文定位为：把安全检索重组成多个语义一致的 atlas，以减轻维度灾难和检索噪声，并用 CiM 在边缘约束下做低功耗相似度搜索；作者称 MOMAT 在标准越狱基准上达到 state-of-the-art 防御表现，同时避免对良性查询的额外过度拒绝。

MOMAT 把单体安全库拆成多个语义 atlas，离线建库并训练轻量 MoE，在线用冻结编码器加 CiM 检索做有害判定；判定为有害时从最激活 atlas 取安全回复模板，否则把提示交给 qLLM。

问题设定与系统模块

• 解耦编码：输入由冻结的 encoder-only 模型 E（BAAI/bge-large-en-v1.5，0.3B 参数）编成 1024 维嵌入，全程不更新，只服务于安全处理，可换成其他嵌入模型，与被防御 qLLM 无关。
• 四个模块：CiM 检索模块为每个查询从每个 atlas 计算 top-k 相似特征；atlas 安全库在专用 CiM 阵列中保存有害样例与良性对应物；轻量 MoE 意图检测器把提示嵌入与 atlas 特征拼在一起，给出二值安全决定；CiM 加速的 RAG 引擎同时负责为 MoE 提供特征，并在检出有害时在阵列内检索安全回复模板。
• atlas 数量：设计上可以是 M=2 的有害/良性二分，也可以是 M>2 的细类（作者举例 violence、hate speech、self-harm、benign），或粗细结合的层次结构。Figure 1 的在线示意写出 A_benign 与 A_harm。论文未在实验节写明实际使用的 M。
• 两阶段摊销：离线完成语料处理、语义聚类和多阶段 ICL 扩展；在线只做一次嵌入、各 atlas 的 CiM 检索和一次紧凑 MoE 前向，有害时再做第二次针对性 CiM 检索。Figure 1 称该 MoE 为 1.03M 参数，且嵌入冻结。

Atlas 构建

Algorithm 1 分三步，输入为种子集 S0、ICL 生成器 G 和 atlas 数 M。

1. 跨域展开：对每个种子用 G 生成跨域的有害–良性对，得到 S1。
2. 递归变体：对每个配对做改写、句法变化、语义抽象和细节扩展，得到稠密变体集 S2。
3. 组装：按展开路径上固有的域标签把样本放入对应 atlas。

作者称这些高密度邻域降低检索噪声，并与 CiM 上的相似度搜索相合；划分多个 atlas 是为避免语义无关域共享一个索引时的高维干扰。嵌入和统计量离线预计算。

检索特征与 MoE 检测

对查询 x，嵌入为 e_x。每个 atlas A_i 用 CiM 取 top-k 相似度，记为 s_i(x)∈R^k。特征 z(x) 包含四类信息：原始嵌入 e_x；各 atlas 的原始相似度；每库的均值、最大值、最小值；atlas 对之间的均值差、最大值差和均值比 ρ_ij=μ_i/(μ_j+ε)。维度为 D=d+M·k+3M+3·C(M,2)。

K 个 MLP 专家（作者写 typically K=3 to 5）各自输出 logit s_j(x)=f_j(z(x))。门控只看 e_x：α_j(x) 为 softmax(w_j^⊤ e_x+b_j)。风险估计为门控加权和，再经 sigmoid 得到有害概率：

S(x)=∑_j=1^Kα_j(x) s_j(x),  p(y=1∣ x)=σ(S(x))

含义是：最终 logit 是各专家分数的混合，sigmoid 后为有害概率。训练用二元交叉熵 L_cls，另加门控均衡项 L_balance，使各专家平均路由权重接近 1/K，总损失为 L=L_cls+λ_balance L_balance。作者称嵌入保持冻结，学习的是如何解释多 atlas 检索揭示的结构，而不是微调嵌入。论文未报告 λ_balance、τ、k 的训练取值、优化器和数据划分；硬件实验里 top-k=10。

在线推理与 CiM 引擎

Algorithm 2：先算 e_x，再对全部 M 个 atlas 做 LOCALRETRIEVALSUMMARY 得到 r_i(x)，拼成 z(x)，由 MoE 得到 p_harm。若 p_harm<τ，调用 qLLM 生成；否则取 i⋆=arg max_i r_i(x)，在该 atlas 内做第二次 top-k 检索，SELECTTEMPLATE 选出模板，SAFECOMPOSE 结合原提示与 qLLM 生成合规回复。

CiM 把每个 atlas 存成预载入阵列的向量矩阵，在阵列内做点积 MAC，不把数据移出芯片。作者称样例嵌入常驻阵列，因此两次 CiM 过程在推理时都不做 DRAM 数据搬运。Raspberry Pi 5 上的对照仍走 DRAM 检索，CiM 板则用 4-bit/8-bit 存内 MAC 阵列，控制流相同。

指标含义

ASR 是对抗提示中成功引出有害回复的比例；FRR 是良性查询被错误拒绝的比例。作者还报告 p95 端到端时延和每查询能量，但 Table 3、Table 4 给出的是检索批时延与能量，论文未在这些表中单独列出 p95 数值。

实验设置

• 被测模型：Table 1 含 Llama2-13B 与 Llama2-7B 的 FP16 和 W4A8；防御主实验为 W4A8 的 Llama2-7B 与 Mistral-7B。第 4.1 节称实验使用 Llama-2-7B 和 Mistral-7B 两种 qLLM。
• 数据集：AdvBench（Zou et al., 2023）和 Malicious Instruct（Huang et al., 2023）。红队使用与 atlas 分类对齐的域相关有害指令，作者举例 weapons、self-harm、privacy violations。论文未报告这两套基准的样本条数。摘要称将发布的数据集为 223.2k 样本；Table 3 的 DRAM 扫描使用 162,084 条 1024 维向量。
• 硬件：Raspberry Pi 5 上跑完整 MOMAT，但检索仍受 DRAM 限制，用于分离结构化检索的效果；CiM 评估板上控制流相同，检索改为 4-bit/8-bit 存内 MAC。论文未报告安全 ASR/FRR 是在哪块板上测得。
• 防御基线：Figure 2 在 W4A8 Llama2-7B 上比较 None、Self-Examine、Retokenization、Self-Reminder、SafeDecoding、MoGU 与 MOMAT。Table 2 只比较无防御与 MOMAT。
• 指标：ASR、FRR、p95 端到端时延、每查询能量。ASR 越低表示越狱抵抗越强，FRR 越低表示越少过度拒绝。良性查询由 GPT-4o-mini 合成，与对应对抗查询同主题、但只请求无害信息；论文未报告条数、人工复核或与人工的一致性。
• 硬件设置：Table 3、Table 4 为 1024 维、top-k=10。Table 3 的时延为 10 次运行平均。论文未报告安全实验的重复次数、τ、攻击辅助模型或评审模型。

主结果

据 Table 1、Table 2 与 Figure 2。Figure 2 的无防御 Malicious 为 25.0%、AdvBench 为 28.1%，与 Table 1 的 FP16（Malicious 25.0、AdvBench 28.1）及 Table 2 的 W4A8 无防御（28.0 与 32.5）不是同一组数字；Figure 2 图注写的是 W4A8。

表格较宽，可左右滑动

模型	设置	AdvBench ASR	Malicious ASR	出处
Llama2-7B	FP16，无防御列	28.1%	25.0%	Table 1
Llama2-7B	W4A8，无防御	32.5%	28.0%	Table 2
Llama2-7B	W4A8 + MOMAT	0.00%	0.00%	Table 2
Mistral-7B	W4A8，无防御	68.2%	67.5%	Table 2
Mistral-7B	W4A8 + MOMAT	0.00%	0.0%	Table 2
Llama2-13B	FP16 → W4A8	9.0% → 8.3%（Δ −0.7）	21.0% → 19.0%（Δ −2.0）	Table 1

• 量化与规模：作者称 13B 在量化后 ASR 变化可忽略，7B 在两个数据集上 ASR 上升（AdvBench Δ=+4.4 个百分点，Malicious Δ=+3.0 个百分点）。作者认为 13B 的 FP16 体积为 26.03 GB（W4A8 为 7.00 GB），不适合多数边缘硬件；7B 在 W4A8 下为 3.76 GB，却是更易对齐崩溃的规模。
• 防御后的 ASR 与 FRR：作者称 MOMAT 在两个模型和两个数据集上都把 ASR 降到 0.0%（Table 2 中三处为 0.00%、Mistral-7B 的 Malicious 为 0.0%）。FRR 保持不变：Llama2-7B 为 AdvBench 13.3（+0.0）、Malicious 14.0（+0.0）；Mistral-7B 为 12.7（+0.0）和 17.0（+0.0）。作者认为这说明没有引入额外过度拒绝。
• 与其他防御：Figure 2 上，作者称无防御时 AdvBench 28.1%、Malicious Instruct 25.0%；Retokenization 在 Malicious Instruct 上仍有 4.5% ASR，Self-Examine 在同一数据集上留下 0.5%；MOMAT 与 Self-Reminder、SafeDecoding、MoGU 在两个数据集上都是 0.0%。作者称 MOMAT 不在生成时做 token 级干预，因此更适合时延和功耗受限的边缘部署；论文未报告这些基线的时延。Figure 2 的 AdvBench 一行在 None 之后的各防御格均为 0.0。

检索时延：Raspberry Pi 5 的 DRAM

Table 3 在 162,084 条向量、1024 维、top-k=10、100-query 批上扫描 DRAM 窗口，时延为 10 次平均。500 条向量（1.95 MB，325 个 chunk）为 15,052.44 ms，作者标为 Optimal；窗口增到 30,000 条（117.19 MB，6 个 chunk）时为 16,034.05 ms。作者称增大窗口使时延单调变差，并归因于缓存压力和内存流量超过分块次数减少带来的收益。另报 500-query 批需要 84,681.67 ms（每查询 162.85 ms，6.14 QPS），100-query 最优窗口对应每查询 150.52 ms、6.6 QPS。

CiM 时延与能量

Table 4：RPi 5 的 100-query 为 15,052.44 ms、6.6 QPS、能量 ≥8.1×10^7 μJ；CiM 的 100-query 为 3,207.21 ns、3.1×10^7 QPS、3.32 μJ；CiM 的 500-query 为 3,213.15 ns、1.6×10^8 QPS、3.32 μJ。正文称 100-query 的 CiM 总能量为 3,321,779.62 pJ（3.32 μJ）；500-query 相对 100-query 只增加 5.94 ns 时延和 1.49 pJ 能量。作者称数据库向量一旦写入阵列就常驻，每个查询只做一次模拟 MAC，完成时间由向量维度和阵列配置决定，而不是批大小或语料规模。

能量对比上，作者称 RPi 5 对 100-query 批的保守板级估计约为 8.1×10^7 μJ，CiM 为 3.32 μJ，约 2.5×10^5× 的下降；摘要写从 8.1×10^7 μJ 到 3.32 μJ，加速为从 15,052.44 ms 到 3,207.21 ns（4.69×10^6×）。作者同时写明：这些数字不宜按绝对值直接比较，因为 RPi 是整板功耗，CiM 来自电路级仿真；DRAM 能量栏注明 “DRAM energy is not measured”。作者仍认为数量级差距明确，并对合理的估计不确定性稳健。

其他消融与分析

论文没有单独的消融表。可核对的其他数字如下。

• Table 1：Llama2-13B 体积 FP16 26.03 GB、W4A8 7.00 GB；Llama2-7B 为 13.38 GB 与 3.76 GB。
• Table 3 中间窗口：1,000 / 2,000 / 4,000 / 10,000 条向量对应 15,763.70 / 15,788.72 / 15,827.99 / 15,911.68 ms（每 100 查询）。
• 摘要与结论中的加速和节能与 Table 3、Table 4 的 100-query 数字对应：4.69×10^6× 时延、约 2.5×10^5× 能量。
• 良性查询由 GPT-4o-mini 按同主题无害请求合成；论文未给出这组查询的 ASR/FRR 以外的细分。
• 论文未报告改变 M、K、k、τ 或嵌入模型时的 ASR/FRR。
• Figure 2 与 Table 1、Table 2 的无防御 ASR 不完全一致，论文未解释这一差异。

作者指出的局限与后续方向

• 能量数字不宜直接比绝对值：第 4.2.3 节写明 Raspberry Pi 估计反映整板功耗，CiM 数字来自电路级仿真，因此不是绝对意义上的直接可比；作者仍认为差距的数量级明确，并对合理估计不确定性稳健。（第 4.2.3 节）
• 自适应 atlas：Future work 将研究自适应 atlas 构建，以应对演化中的威胁分类。（第 4.2.3 节末尾）
• 更广的量化与部署：作者称后续将把 MOMAT 的评测扩展到更广的量化方案和端侧部署环境。（第 4.2.3 节）
• 数据集发布：摘要、贡献列表写 “We will release” 完整的 223.2k 样本数据集，属于计划而非已经完成的发布。（摘要与第 1 节）
• 论文没有单独的 Limitations 节。结论重申了尺度依赖的对齐崩溃和 MOMAT 的结果，没有另外列出失败案例。

实验覆盖范围

• 安全主实验的模型与量化：防御结果写的是 W4A8 的 Llama2-7B 与 Mistral-7B；Table 1 另有 Llama2-13B 与 Llama2-7B 的 FP16/W4A8 体积和 ASR，13B 未做 MOMAT 防御行。（Table 1、Table 2、第 4.1 节）
• 基准与指标：红队结果报告在 AdvBench 和 Malicious Instruct 上的 ASR 与 FRR；Figure 2 还比较 Self-Examine、Retokenization、Self-Reminder、SafeDecoding、MoGU。（Figure 2、Table 2）
• 硬件数字的条件：DRAM 扫描是 Raspberry Pi 5、162,084 条 1024 维向量、top-k=10、100-query 批、10 次平均；CiM 为 SRAM、同一向量维度和 top-k，报告 100-query 与 500-query。（Table 3、Table 4）
• 良性查询的构造：FRR 用的良性查询由 GPT-4o-mini 合成，与对抗查询同主题且只请求无害信息。（第 4.2.2 节）
• 论文未报告的设置：安全实验的重复次数、判定有害回复的评审方式、阈值 τ、实际 atlas 数 M、专家数 K 的取值，以及 p95 端到端时延的具体数值；Table 4 注明 DRAM 能量未测量。

MOMAT 是面向边缘量化 LLM 的越狱防御：用多个语义 atlas 做局部检索，用轻量 MoE 做有害判定，并用存内计算加速相似度搜索。

• 问题：作者认为量化缩小了模型并降低时延和能耗，但会破坏安全相关的表示，使边缘上的 qLLM 更容易被越狱和提示注入绕过。单体安全 RAG 在异构大库中受维度灾难和跨域干扰影响，DRAM 检索也难满足边缘带宽与能耗。
• 方法：离线由种子经 ICL 生成有害–良性对并扩展变体，按域装入 atlas。在线用冻结的 BAAI/bge-large-en-v1.5 得到 1024 维嵌入，CiM 从每个 atlas 取 top-k 特征，MoE（Figure 1 写 1.03M 参数，专家数作者写通常为 3 到 5）输出 p_harm；低于 τ 则交给 qLLM，否则从最激活 atlas 取安全模板再组合回复。训练是二元交叉熵加门控均衡项，嵌入不更新。
• 安全结果：Table 1 中 Llama2-7B 从 FP16 到 W4A8，AdvBench ASR 从 28.1% 到 32.5%（Δ +4.4），Malicious Instruct 从 25.0% 到 28.0%（Δ +3.0）；Llama2-13B 的 Δ 为 −0.7 和 −2.0。Table 2 中 MOMAT 把 W4A8 Llama2-7B 的两套 ASR 都降到 0.00%，Mistral-7B 从 68.2% / 67.5% 降到 0.00% / 0.0%，四处 FRR 的变化都是 +0.0。Figure 2 里 MOMAT 与 Self-Reminder、SafeDecoding、MoGU 同为 0.0%，Retokenization 在 Malicious Instruct 上为 4.5%，Self-Examine 为 0.5%。
• 效率：Table 3 中 RPi 5 上 100-query、162,084 向量的最优 DRAM 窗口为 15,052.44 ms。Table 4 中 CiM 仿真为 3,207.21 ns、3.32 μJ；作者给出约 4.69×10^6× 的时延降幅和约 2.5×10^5× 的能量降幅，并说明 RPi 是板级估计、CiM 是电路级仿真。
• 作者的结论：作者认为把检索结构限制在紧凑子空间、并把相似度搜索放到 CiM 上，可以在边缘约束下同时压低 ASR 和不增加过度拒绝；后续将做自适应 atlas，并扩展量化方案与端侧环境，且计划发布 223.2k 样本数据集。