AlcaTRAz – 基于树规的防御机制，用于防范越狱行为

AlcaTRAz 提出一种无需修改模型即可防御大语言模型越狱攻击的提示级规则树防御方法。该方法仅基于输入文本，自动学习可迁移的转换规则以插入字符级扰动，破坏攻击者利用的结构规律同时保留模型在良性查询上的效用。研究在 33 个开源模型、22 种越狱攻击类型及短单轮良性问题基准上，与 Llama Guard、RA-LLM 等三个基线进行了对比。结果显示，AlcaTRAz 在 73.4% 的模型 - 攻击组合中取得了最佳综合安全与功能得分；防御后恶意请求响应模态值从 10 降至 2（接近拒绝），同时良性问题平均得分保持在 8.35（未防御基准为 8.62）。尽管该方法显著降低了越狱成功率，但高严重度尾部依然存在且未考虑自适应攻击者，因此定位为纵深防御策略中的一层而非独立保障。