0.25秒识破未见攻击，这套检测方法没看过任何越狱样本 | EMNLP'26

大视觉语言模型（LVLM）把语言理解扩展到了图像等多模态输入，同时，也带来了更隐蔽的攻击面。

细微图像扰动、视觉文字或跨模态提示可能绕过安全对齐，让模型回答原本应拒绝的有害问题。已有攻击在AdvBench上甚至能诱导对齐模型回答96%的不安全问题。

现有检测器往往只能在准确率、泛化能力和效率之间取舍。对此，中国人民大学与阿里巴巴集团联合提出Learning to Detect（LoD）：不使用任何越狱攻击样本，也不依赖手工启发式规则，而是从LVLM的逐层内部激活中学习通用安全模式，把未见攻击识别为偏离安全分布的异常。

LoD学习的不是“某一种攻击长什么样”，而是“安全输入在模型内部应该呈现什么模式”。

为什么需要新的检测范式

越狱检测的核心困难并不只是判断“输入是否有害”，而是判断一个表面上经过伪装、重写或视觉扰动的输入，是否正在诱导模型绕过安全边界。现实中的攻击形式不断变化，检测器很难提前穷举未来攻击。

三类输入不能混为一谈

• 安全输入：内容无害，模型通常正常回答。
• 普通有害输入：直接表达危险意图，但没有经过越狱变换；对齐模型通常拒答。
• 攻击输入：通过视觉编码、提示操纵或对抗扰动隐藏危险意图，可能让对齐模型重新回答有害问题。

特别说明：论文训练MSCAV时使用的是普通有害输入，而不是由FC-Attack、HADES等方法生成的越狱攻击数据；所有攻击样本直到测试时才出现。

现有方案的两难

学习式检测方法可在已见攻击上获得较高准确率，但容易记住攻击特征，面对新攻击时泛化受限；免训练方法通过人工规则、拒答词或梯度特征规避攻击数据依赖，却可能在复杂场景中精度不足，并带来额外计算开销。

LoD的四项核心贡献

• 提出不依赖攻击数据或手工启发式规则的可学习检测框架。
• 用MSCAV从逐层内部激活中提炼紧凑、安全聚焦的表征。
• 用SPAE将高维安全表征压缩为可比较的一维异常分数。
• 在三种LVLM、六类未见攻击与五种基线上验证准确率、泛化和效率。

研究方法：从逐层安全表征到异常检测

LoD包含表示学习与攻击分类两个模块。前者寻找模型内部真正与安全相关的信号，后者学习安全信号的典型分布；二者协同避免了直接使用高维激活的噪声，也避免为每一种攻击单独设计检测规则。

• 第一步：提取LVLM的逐层内部激活

给定多模态输入I，LoD读取各层最后一个输入token的隐藏状态eˡ。这些激活同时包含语义、视觉结构、情感和安全风险等信息，因此不能直接拼接后用于检测。

• 第二步：MSCAV学习安全相关方向

团队在每一层训练轻量线性分类器Cˡ，用安全输入与普通有害输入学习安全相关方向。分类器输出的不安全概率构成逐层安全表征；验证准确率达到P0=0.9的层进入安全感知层集合Ls，从而过滤任务无关噪声。

• 第三步：SPAE只学习安全样本的典型模式

SPAE采用三层全连接编码器与对称解码器，仅用安全输入的安全表征训练。编码器压缩跨层安全模式，解码器尝试还原；安全输入位于学到的安全流形附近，因此通常能被准确重构。

• 第四步：用重构误差识别未见攻击

测试时，LoD生成安全表征Sr并计算SPAE重构误差δ。低误差表示输入接近安全分布；高误差表示内部安全模式异常，δ超过阈值τ时标记为攻击。在线检测不需要反向传播，也不修改自回归解码。

关键机制：Ŝr=fdec(fenc(Sr))；δ=||Ŝr-Sr||²。MSCAV负责“提纯安全信号”，SPAE负责“度量对安全模式的偏离”。

实验设置与结果

模型覆盖LLaVA-1.6-vicuna-7B、Qwen2.5-VL-7B-Instruct和CogVLM-chat-v1.1。攻击覆盖四类提示操纵方法FC-Attack、JOOD、HADES、MML，以及两类对抗扰动方法VAJM、UMK；对比基线为MirrorCheck、CIDER、JailGuard、GradSafe与HiddenDetect。

训练安全输入来自GQA，普通有害输入来自AdvBench，并使用PixArt-Sigma合成对应图像。MSCAV使用100对安全/有害样本训练、100对验证；SPAE用320个安全输入训练、80个验证。测试集包含400个MM-Vet2安全输入和400个MM-SafetyBench有害输入，另保留约100个安全输入选阈值。

主要结果

• 三种LVLM的平均AUROC分别达到0.9820、0.9838和0.9705，整体保持接近1的检测性能。
• 相对最强基线，平均AUROC在LLaVA、Qwen2.5-VL、CogVLM上分别提升19.32%、4.50%、17.11%。
• 最差攻击上的最低AUROC也显著提高；LLaVA的相对增益达到170.4%，说明LoD不只是提高平均分，也改善了最薄弱场景。
• LoD在多数攻击上取得最佳结果；MML是最具挑战性的边界场景，但LoD通常仍保持第二名且差距较小。
• 单输入检测时间为0.25-0.62秒，相对最佳基线最高降低62.7%。

代码已经开源，可在不同LVLM上完成一次性离线适配后用于在线检测。

消融实验

论文通过移除不同模块，验证MSCAV表征学习与SPAE异常检测的作用。

核心结论：

• 完整LoD在三种模型上的平均AUROC达到0.982、0.984和0.971，均为最佳。
• 移除MSCAV后性能下降最明显，说明提取安全聚焦的内部表征是检测效果的关键。
• 移除SPAE后平均AUROC降至约0.857-0.875，说明高维安全表征仍需转换为可靠的异常分数。

更严格评估与稳健性分析

• 固定低误报率与F1

AUROC衡量所有阈值下的整体排序能力。为贴近实际部署，论文还报告FPR=0.01时的TPR和固定阈值下的F1。LoD在三种模型上的平均F1分别达到0.949、0.947和0.921；在极低误报约束下，平均TPR分别为0.487、0.764和0.717。严格阈值下MML仍较困难，说明实际部署需要结合风险容忍度选择τ。

• 扩大攻击集合后仍保持稳定

在扩展攻击样本规模的实验中，LoD的平均AUROC分别为0.9829、0.9841和0.9698，与主实验基本一致，说明结果并非由小样本或特定抽样偶然造成。

• 对正常分布外输入的鲁棒性

论文进一步测试MMMU中艺术、计算机科学和数学等正常OOD输入。三种模型的正常/OOD平均异常分数大约位于0.03-0.13，而攻击数据的均值范围约为0.22-0.90，显示复杂但无害的分布外问题通常不会被误判为攻击。

• 训练数据来源变化是否影响结果？

将普通有害提示从AdvBench替换为HarmBench后，三种模型的平均AUROC为0.9844、0.9842和0.9848；向SPAE加入有害表征也没有一致收益，支持仅建模安全样本的一类学习设计。

计算效率

单输入检测时间仅为0.25秒、0.62秒和0.34秒，相对最佳基线分别降低62.7%、17.3%和12.8%。

MSCAV和SPAE的一次性离线训练分别约需12秒和2秒；在线阶段无需反向传播，也不进入生成循环。

总结

LoD不学习具体攻击，而是用MSCAV提炼逐层安全信号，并由SPAE度量输入对安全模式的偏离。在不使用越狱攻击数据的情况下，它在六类未见攻击上获得稳定的准确率、泛化和效率表现，说明模型内部安全表征可用于未知威胁检测。

论文标题：Learning to Detect Unseen Jailbreak Attacks in Large Vision-Language Models
论文作者：Shuang Liang、Zhihao Xu、Jiaqi Weng、Jialing Tao、Hui Xue、Xiting Wang；中国人民大学与阿里巴巴集团；通讯作者：Xiting Wang
录用信息：EMNLP 2026 Main Conference接收
论文链接：https://arxiv.org/pdf/2508.09201
代码链接：https://github.com/ShuangLiangX/Learning-to-Detect

文章来自于"量子位"，作者 "阿里安全团队"。