What Intermediate Layers Know: Detecting Jailbreaks from Entropy Dynamics
中间层知道什么：从熵动态检测越狱攻击
🧭 LLM安全 · 中间层熵动态
LMU Munich · University of Pisa · CNR-ILC · Oxford Brookes University · Munich Center for Machine Learning
利用LLM中间层token预测熵的单调趋势特征，无需训练即可跨模型检测越狱攻击
📌 工作参考价值（4 点）
- 在电商推荐Agent或对话系统中，可实时监测恶意prompt：提取用户输入token级预测熵的单调秩趋势得分，无需微调模型，适合低延迟在线检测。
- 直接使用中间层logits而非最终输出层计算熵，可捕捉更明显的越狱信号，架构一致性允许跨不同LLM（如Llama、Qwen系列）复用。
- 特征工程聚焦于熵值随token位置的演化轨迹（如单调性），而非简单的均值/方差，这种动态特征对于对抗性输入的微小扰动更鲁棒。
- 该检测方法完全基于冻结模型，不依赖额外安全分类器训练，可快速嵌入已有Agent pipeline，作为安全兜底层。