# Dynamic Deep Prompt Optimization for Defending Against Jailbreak Attacks on LLMs 论文总结
> 论文arXiv链接：https://arxiv.org/abs/2609.26185
## 一、文章主要内容
大语言模型（LLM）虽然能力强大，但容易遭受越狱攻击（jailbreak attacks），攻击者通过构造对抗提示词诱导模型输出有害内容。现有的安全对齐方案分为两类：
1. **模型微调**：安全微调、RLHF等，但是成本高，容易发生灾难性遗忘；
2. **提示词层面防御**：现有提示优化防御大多使用**静态提示**（固定前缀/后缀），无法适配多样化、不断演变的越狱攻击；如果使用额外辅助大模型做动态防御，又会带来很大推理延迟与计算开销。
本文提出**DDPO（Dynamic Deep Prompt Optimization，动态深度提示优化）**，一种基于深度提示优化的越狱防御方案。该方法**不修改目标LLM权重**：复用目标大模型中间层作为特征提取器，通过一个轻量MLP根据输入动态生成防御嵌入向量，再将该向量注入模型后续中间层，实现与输入强相关的动态防御，计算开销很小。
实验在多款LLM、多种越狱攻击上开展，使用**攻击成功率ASR、良性提示通过率BPR、MMLU准确率**作为评价指标。结果表明DDPO显著优于静态提示优化基线：
1. 在对齐程度弱的模型上依然具备优秀防御效果；
2. 可以区分语义模糊的良性提示与真正有害请求，大幅降低误拒率，兼顾安全性与模型原生能力（实用性）。
## 二、核心创新点
1. **首个基于深度提示优化的LLM越狱防御方案**，也是首个能够动态
)
