真相深藏：以潜在意图验证对抗语义伪装

大语言模型（LLM）的安全对齐往往是肤浅的，依赖于仅在生成最后阶段才触发的拒绝机制，而没有抹除预训练期间获得的有害概念的基础知识。本研究证明，这种架构上的脱节使模型容易受到语义伪装（Semantic Camouflage）攻击——将有害意图包裹在良性叙事语境（如创意写作）中的对抗攻击，能有效绕过标准的输入和输出护栏。通过分析三个不同的小语言模型（SLM）家族（Phi-3、Qwen2.5和Gemma-2b）在对抗压力下的潜在激活轨迹，本研究识别出一个普遍存在的“意图视界”（Intent Horizon）——一个临界深度（通常为总层数的15–20%），在此处模型对有害意图的独特的预训练表征随着查询被语境化为“安全”叙事而坍缩。结果表明，虽然伪装攻击的晚层表征在数学上与安全查询无法区分（检测率<20%），但早层表征保留了独特的、可检测的“危害特征”。利用这一洞察，本文提出潜在意图验证（LIV），一种轻量级的探测防御。在PKU-SafeRLHF数据集上的实验表明，LIV在所有受测架构上以20–50%的优势超越标准护栏，无需模型再训练即可有效化解零日语义攻击。