论文提出仅靠推理时解码定制防御黑盒LLM越狱。
资讯摘要
论文提出DYNASHIELD，一种针对黑盒LLM的移动目标防御框架，仅通过推理时定制解码超参数与系统提示提升抗越狱能力。方法先筛选降低攻击成功率的解码配置，再从加权配置池中概率采样以引入受控变化。作者在7个开源LLM、4种越狱攻击及AdvBench对抗提示上评测，报告攻击成功率较7种基线防御明显下降，同时保持回复质量、推理开销很小，且无需重训练或访问模型内部。
要点速读
- DYNASHIELD通过推理时调整解码超参数和系统提示实现防御，无需重训练或模型内部访问。
- 方法包含两步：识别降低攻击成功率的解码配置，并从加权配置池概率采样引入受控变化。
- 作者在7个开源LLM、4种越狱攻击和AdvBench提示上评测，报告攻击成功率较7种基线防御明显下降，回复质量保持且推理开销很小。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。