इस पत्र में, हम एक प्रशिक्षण-मुक्त सुरक्षा मूल्यांकन विधि का प्रस्ताव करते हैं जो बड़े पैमाने के भाषा मॉडल (LLM) की सुरक्षा और संरेखण समस्याओं को हल करने के लिए पारंपरिक महंगे गार्ड मॉडल के बजाय पूर्व-प्रशिक्षित LLM की आंतरिक जानकारी का उपयोग करता है। हम दिखाते हैं कि LLM सरल संकेत के माध्यम से हानिकारक इनपुट को पहचान सकता है और मॉडल के अव्यक्त स्थान में सुरक्षित और हानिकारक संकेतों को अलग कर सकता है। इसके आधार पर, हम लेटेंट प्रोटोटाइप मॉडरेटर (LPM) का प्रस्ताव करते हैं, जो एक हल्का, कस्टम-निर्मित ऐड-ऑन है जो इनपुट की सुरक्षा का आकलन करने के लिए लेटेंट स्पेस में महालनोबिस दूरी का उपयोग करता है। LPM विभिन्न मॉडल परिवारों और आकारों के लिए सामान्यीकृत होता है, और कई सुरक्षा बेंचमार्क पर अत्याधुनिक गार्ड मॉडल के बराबर या उससे बेहतर प्रदर्शन करता है।
