LADE 用首 token 概率分布中的暗知识提取跨模型安全信号，在多个越狱攻击下降低攻击成功率并保持安全—可用性平衡
该工作提出 LADE，一种仅依赖首 token 输出概率分布的模型无关防御框架：通过对比有害与良性查询，从暗知识中选出概率差异最大的 token 作为潜在安全信号，经分词器映射对齐到目标模型，再用 kNN 距离在生成前过滤有害查询；在 Llama-2-7B-Chat、Llama-3-8B-Instruct、Qwen2-7B-Instruct、Qwen3-8B、Gemma-7B-it、Mistral-7B-Instruct-v0.3 等模型上，LADE 在多种越狱攻击下取得最低或接近最低的平均合规率，并在八个模型中的六个上取得最佳安全—可用性平均表现。