重新审视JBShield：破解并重建表示层面的越狱防御

研究者提出自适应攻击JB-GCG，在Llama-3-8B上对越狱防御JBShield取得平均46.2%的攻击成功率，并提出重建防御RTV。JBShield依靠毒性和越狱两个概念信号检测恶意提示，在部分设置下攻击成功率为0%；JB-GCG修改GCG的优化目标，同时抑制拒绝方向的余弦相似度并正则化JBShield自身的毒性概念分数，在五种配置上最高成功率达53.4%，对JBShield-M最高达30.7%，且在JBShield多次重新校准后依然有效，作者称漏洞是结构性的。作者进而提出基于多层拒绝方向指纹马氏距离（Mahalanobis）离群检测的新防御Representation Trajectory Verification（RTV），对该攻击的AUROC达0.99；在完全白盒知识下针对RTV的自适应攻击最好仅取得7%成功率，计算成本为13倍。