本文提出了一种可验证安全的消除-检查框架，以抵御大型语言模型中的恶意提示。研究表明，细调大型语言模型可能引入新的安全风险，现有的安全对齐措施无法有效应对。实验结果显示，该方法显著降低了攻击成功率，并指出了未来增强大型语言模型安全性的研究方向。

本文提出了一种可验证安全的消除-检查框架（FAEF），旨在抵御恶意提示。研究表明，微调大型语言模型（LLMs）可能引入新的安全风险，现有的安全对齐措施无法有效应对。通过FAEF框架和新指标评估LLMs的安全性，发现其对齐程度不足。文章还提出后安全对齐方法，以提升安全性和实用性，强调系统提示在保护模型中的重要性。

本文介绍了一种具有可验证安全保证的消除-检查框架，用于抵御恶意提示。该技术能够防御三种攻击模式，并在保证处理安全提示性能的同时，提高了在有害提示上的安全保证指标。