DiffuGuard：扩散大语言模型的内在安全如何失去与找回

研究者提出免训练防御框架 DiffuGuard，在四个扩散大语言模型（dLLM）上将六种越狱方法的攻击成功率从 47.9% 降至 14.7%，同时保持模型效用与效率。论文从步内与步间动态两个维度分析 dLLM 的越狱脆弱性，发现标准贪心重掩码策略存在有害偏向，并提出去噪路径依赖（Denoising-path Dependence）现象，即早期 token 的安全性对最终输出有决定性影响。DiffuGuard 采用双阶段设计：随机退火重掩码（Stochastic Annealing Remasking）引入受控随机性以缓解贪心选择偏向，块级审计与修复（Block-level Audit and Repair）利用模型内部表征自主检测风险并引导修正。代码开源于 https://github.com/niez233/DiffuGuard。