ReFuse：扩散大模型越狱检测新方法，攻击成功率降至3.31%
原文标题：Beyond the Prompt: Leveraging Pre-Decoding States for Jailbreak Detection in dLLMs
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文针对扩散大语言模型（dLLM）提出 ReFuse 检测器，利用生成前的掩码响应位置隐状态与提示表示融合判断越狱。在 LLaDA-8B 上，平均攻击成功率从无防护的 63.29%、仅提示分类器的 11.27% 降至 3.31%，同时正常拒答率低于 1%。该方法无需修改模型权重或解码流程，属推理时轻量防护。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ReFuse 融合提示与掩码响应位置隐状态，LLaDA-8B 越狱平均攻击成功率降至 3.31%
- •利用扩散 LLM 生成前掩码响应位置的隐状态，这一检测面在自回归解码中不存在
- •提示表示与预解码响应表示各有盲区，线性分类器融合两者 sigmoid 危害分
- •平均 ASR 从无防护 63.29%、仅提示分类器 11.27% 降至 3.31%
- •标准效用基准上正常拒答率低于 1%，且不改权重、不改解码流程
为什么重要：扩散 LLM 的双向条件与并行掩码细化既是新攻击面也是新检测面，ReFuse 给出推理时轻量防护，对部署 dLLM 的安全团队直接可用。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。