多轮越狱不再逐轮判断：不重训的THRD把攻击成功率压到0.2%–4.0%，MMLU只掉1.5%
多轮越狱攻击靠逐轮升级和跨轮配合绕过安全对齐，而现有防御要么依赖代价高昂的重训练，要么逐轮独立判断，抓不住风险在对话中的累积。THRD把当前轮风险、历史意图升级和上一轮回复的助推程度合成一个随时间演化的风险分数，无需训练即可在推理时决定正常回答、受控回答或拒绝。在Qwen2.5-7B与Llama3-8B上对X-Teaming和Tempest两类多轮攻击，THRD把攻击成功率降到0.2%–4.0%，MMLU与GSM8K的效用损失在1.5%以内。