LADE：利用暗知识潜安全信号防御越狱
先了解这件事
LADE（Latent Safety Signals for Defense）是一种解码阶段的 LLM 越狱防御方法：通过对比有害与良性查询，从参考模型首个 token 输出概率分布的暗知识中提取概率差异最大的 top-k=500 个 token，经 Tokenizer Mapping 适配不同分词器的目标模型，再用 kNN 距离在生成前判断并拦截查询。该方法不需要梯度、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 种越狱攻击及多种基准上，LADE 对多种越狱攻击保持稳健，降低攻击成功率并维持安全与效用的平衡。
AI 根据报道生成 · 37 分钟前更新
后续时间线
- LADE authors精选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。
- arXiv：越狱、提示注入、投毒与防御LADE：用暗知识中的模型无关潜在安全信号防御 LLM 越狱
LADE 通过对比有害与良性查询，从首个 token 输出概率分布的暗知识中提取潜在安全信号，构建跨模型通用的安全方向。该方法由潜在安全信号提取、Tokenizer Mapping 和 kNN 判别三部分组成，可适配不同分词器的 LLM。在多种模型和基准上，LADE 对多种越狱攻击保持稳健，降低攻击成功率并维持安全与效用的平衡。
相关讨论
关注度走势
每天新增来源
- 10月7日 新增 1 个来源（1 家媒体、0 个账号）
- 10月8日 新增 1 个来源（1 家媒体、0 个账号）