Capability-Routed Guard: Defending Large Reasoning Models Against Reasoning-Centric Jailbreaks

本文针对大型推理模型（LRM）暴露出的新型安全失效模式展开研究：对抗性提示能够操纵推理上下文、任务分解或能力解释，使有害目标被当作合法推理步骤处理。现有防护手段（如安全提醒、外部分类器、自检查包装器）往往脆弱，原因在于它们要么直接检查对抗性

历史摘要 · 未重新核验 · arXiv cs.CR