★ 3
ReFuse：扩散大模型越狱检测新方法，攻击成功率降至3.31%
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…
arXiv NLP5 小时前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
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…