用于越狱检测的递归语言模型：一种增强工具代理的程序化防御方法

越狱提示是对大型语言模型（LLMs）的实际且不断演变的威胁，尤其是在执行工具操作的代理系统中。许多攻击利用了长上下文隐藏、语义伪装和轻量级混淆技术来规避单次分类防护。本文提出RLM-JB，一个基于递归语言模型（RLMs）的端到端越狱检测框架，其中根模型协调一个有限分析程序，对输入进行转换，并在覆盖段落上查询工作模型，将证据聚合为可审计的决策。RLM-JB将检测视为一个过程而非一次性分类任务：它对可疑输入进行标准化和去混淆，分块文本以减少上下文稀释并确保覆盖率，执行并行分块筛查，并组合跨分块信号以恢复分割负载攻击。在AutoDAN风格的对抗性输入上，RLM-JB在三个LLM后端（ASR/Recall 92.5-98.0%）上实现了高检测效果，同时保持了非常高的精确度（98.99-100%）和低误报率（0.0-2.0%），突显了随着筛选后端变化而出现的实用敏感性-特异性权衡。