LADE 开源：仅用首个 token 分布过滤有害查询的模型无关安全防御方法

LADE（Latent Safety Signals for Defense）是一种模型无关的有害查询过滤方法，仅利用目标 LLM 的首个 token 输出分布，在生成前区分有害与良性查询，无需隐藏状态、微调或 guard 模型。方法从参考 LLM 提取首个 token 概率差异最大的 top-k 隐性安全信号，经 tokenizer 映射迁移到任意目标模型，并用 bootstrap 校准阈值的 kNN 判别拦截查询。GitHub 仓库提供安装说明、HEx-PHI、XSTest、AdvBench、StrongREJECT、MMLU、GSM8K 等基准配置及多种越狱攻击提示评估脚本，支持 llama3、llama2、qwen2、qwen3、gemma、mistral 六个模型的 6x6 迁移矩阵实验。