英文：Jailbreak Defense 分类：alignment
防御越狱攻击（通过精心构造的提示绕过模型安全对齐、诱导有害输出）的技术与评测体系，是安全对齐的对抗性课题。
攻击方式：角色扮演（DAN）、越狱编码（Base64/加密）、逻辑诡辩、多步诱导、LoRA/上下文越狱；防御：输入检测分类器、安全指令强化、对抗训练（红队数据）、输出审核兜底；评测：越狱成功率基准。
用于大模型安全评测（红队对抗）、生产服务（拦截越狱提示）、内容安全与高危场景（自伤/违法诱导）；越狱防御是"对齐对抗"的前沿战场。