LADE 提出基于首 token 暗知识的模型无关越狱防御

LADE（Latent Safety Signals for Defense）提出一种解码阶段的越狱防御方法，从参考模型首 token 输出概率分布的暗知识中提取在有害与良性查询间概率差异最大的 top-k=500 个 token，经 tokenizer 映射后用于目标模型，再用 kNN 距离判断是否在生成前拦截查询。方法不需要梯度、隐藏状态或第二个模型，信号只需从参考模型提取一次即可复用到其他模型。在 6 个开源 LLM、5 种越狱攻击（AutoDAN、DeepInception、GCG、PAIR、LIAR）和 7 个基准上使用固定配置（Llama-3-8B-Instruct 作参考模型，k=500，K=5，不做逐模型调参），LADE 在多数模型上取得最低或接近最低的越狱合规率，例如在 Gemma-7B-it 上为 15.80，而多数对比方法在 30 以上。