NeurIPS论文提出LADE跨模型越狱防御方法

2026年10月8日，AGI Hunt 报道了 NeurIPS 2026 的一篇论文提出的越狱攻击防御方法 LADE。该方法的思路是：仅凭 LLM 生成第一个 token 时的概率分布，就能在模型开始生成任何内容之前判别查询是否有害，属于模型无关的防御方案。报道称，其判别性 token 可在不同架构、tokenizer 和拒绝风格的 safety-aligned 模型之间迁移，且无需访问模型内部的隐藏状态。报道认为，这为安全对齐研究者提供了一种部署成本较低、可跨模型复用的轻量防御思路。截至该篇报道，事件仅有这一次公开报道，暂无后续验证、复现或部署方面的进展披露。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。