研究：浅层退出让 LLM 越狱更稳健

一项被 NeurIPS 2026 语言模型安全基础研讨会（FLMSec）接收的研究考察了基于深度的动态推理对 LLM 抵御越狱攻击能力的影响，结论是浅层退出始终比深层退出更稳健。作者为 Lass Najmuldeen 与 Seyedhamidreza Mousavi，代码已开源。 研究发现，退出深度会影响对抗后缀的优化难度：深层退出能达到更低的攻击损失；但对抗后缀在各退出深度上对模型效用的影响一致。这提示动态推理的提前退出可能在安全与效用之间形成新的权衡。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。