防御arXiv 2610.02853
研究提出基于收缩约束状态空间模型的有界可达性与越狱检测方法
提出收缩约束 SSM 安全头，认证嵌入扰动并检测越狱
- arXiv
- 2610.02853
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- ToySSMClassifier、S4 safety head
摘要收缩给出玩具 LTI 的有界认证。
给 SSM 安全头一个收缩条件，并在越狱检测上使用收缩正则的 S4 头。。
- 可解释性arXiv 2609.24801
研究用 XAI 归因分析 Prompt Guard 2，同义词替换可翻转其提示注入判定
用词级归因指导同义词替换，翻转提示注入检测并验证越狱
- arXiv
- 2609.24801
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Prompt Guard 2 (86M)、Llama 3.1 8B
摘要作者称检测靠分散的词法线索。
- 攻击arXiv 2503.02174
研究者提出对抗分词攻击，可在不改文本的情况下绕过 LLM 安全限制
提出 AdvTok 对抗分词攻击，不改文本只改分词来越狱并规避安全分类器
- arXiv
- 2503.02174
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 灰盒
- 被测模型
- Llama3.2-1B、Llama3.2-3B、Llama3.1-8B 等 7 个
摘要作者称非规范分词能躲开对齐并仍得到针对原请求的回复。
作者用非规范分词攻击已对齐的子词 LLM：恶意字符串的字符不变，只改 token 边界。
已经到底了