看学术

HE-Guardrail 让越狱护栏在同态加密下运行，加密版与明文决策一致率 99.7%

研究提出 HE-Guardrail，在同态加密的提示词上运行越狱护栏，服务器无需看到明文即可决定返回模型回答还是固定拒答。加密版护栏与对应明文护栏的决策一致率为 99.7%，但无护栏时宏平均越狱成功率为 11.0%，Llama Guard 仅降至 7.1%，JBShield 仍为 11.0%，GradSafe 为 10.8%。