论文提出无需改参数的扩散语言模型推理时安全防御框架。
资讯摘要
论文针对扩散语言模型（DLM）迭代去噪中不安全内容可能出现在任意位置并持续保留的问题，提出一种推理时防御框架，将自适应安全引导与安全感知重掩码结合：用门控方向根据当前去噪状态连续调整引导强度，并对掩码位置施加引导方向；在首个生成块后加入轻量响应检测器，早期识别不安全轨迹并触发对生成内容及部分条件提示的重掩码，再在自适应引导下重新生成。作者报告在 LLaDA 和 Dream 上实验，方法提升了对多种越狱攻击的鲁棒性，同时保持良性生成质量与通用能力，且无需修改模型参数。
要点速读
- 论文提出自适应安全引导与安全感知重掩码结合的推理时防御，无需修改模型参数。
- 方法在首个生成块后用轻量响应检测器早期识别不安全轨迹，触发对生成内容及部分条件提示的重掩码。
- 作者报告在 LLaDA 和 Dream 上提升了对多种越狱攻击的鲁棒性，并保持良性生成质量与通用能力。
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 2026/10/23 08:00:11（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。