Tracing the Dynamics of Refusal: Exploiting Latent Refusal Trajectories for Robust Jailbreak Detection
تقترح هذه الورقة SALO، وهو كاشف عند وقت الاستدلال يستفيد من التتبع السببي لتحديد "مسارات الرفض" المستمرة والمتفرقة في التمثيلات الكامنة، مما يحقق كشفاً قوياً لعمليات كسر الحماية (بمعدل نجاح يتجاوز 90%) ضد الهجمات التي تنجح في كبح إشارات الرفض النهائية.