arXiv · cs.AI· Wonjun Lee, Kyungsik Yang, Gaeun Ji, Vaidehi Patil, Haon Park, Bumsub Ham, Mohit Bansal, Suhyun Kim·· 2 天前
LADE利用暗知识中的潜在安全信号防御大语言模型
Safeguarding LLMs via Model-Agnostic Latent Safety Signals from Dark Knowledge
arXiv:2610.07532v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Wonjun Lee, Kyungsik Yang, Gaeun Ji, Vaidehi Patil, Haon Park, Bumsub Ham, Mohit Bansal, Suhyun Kim
研究任务与主要进展
Wonjun Lee等人提出LADE，从大语言模型首词输出概率分布的暗知识中提取区分有害与良性查询的安全信号。该方法结合分词器映射和基于kNN的查询判别，减少对特定模型内部隐藏状态的依赖，并在多种大语言模型和基准上降低越狱攻击成功率，同时保持有竞争力的安全—有用性权衡。材料仅提供论文摘要，未说明具体模型、基准、实验细节或代码许可。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org