arXiv · NLP· Adam Hazimeh, Amel Abdelraheem, Ke Wang, Mariam Salman, Ljiljana Dolamic, G\'er\^ome Bovet, Pascal Frossard·· 10 天前AI 评分22
dLLMs 越狱检测:基于预解码状态的 ReFuse 检测器
Beyond the Prompt: Leveraging Pre-Decoding States for Jailbreak Detection in dLLMs
AI 导读
ReFuse 在 LLaDA-8B 上将 dLLMs 平均攻击成功率从 63.29% 降至 3.31%,同时保持良性拒绝率低于 1%。 该方法融合提示词与预解码隐藏状态分类器,无需修改模型权重或解码过程,已被 NeurIPS 2026 接收。
来源:arXiv · NLP · arxiv.org