该文介绍了大型语言模型的安全漏洞和对抗机器学习的研究基础。作者评估了几种基线防御策略，并讨论了每种策略在各种可行和有效的设置中的情况。作者发现在过滤和预处理方面获得了比其他领域预期的更多成功。

最近的研究发现，文本优化器可以产生绕过审核和对齐的越狱提示。研究评估了几种基线防御策略，并讨论了每种考虑的防御的鲁棒性和性能权衡。在过滤和预处理方面获得了比其他领域预期的更多成功。