REFLECTOR：内化逐步反思以对抗间接越狱

针对大语言模型易受复杂多步间接越狱攻击的问题，本文提出 Reflector 框架。该框架通过两阶段方法将自我反思内化于生成轨迹中：首先利用教师引导生成高质量反思数据进行监督微调，确立结构化反思模式；随后结合结果驱动与奖励有效性监督的强化学习，培养鲁棒的自主反思能力。实验表明，Reflector 在复杂攻击下防御成功率超 90%，并在 GSM8K 等基准测试中显著提升通用效用，为开发安全且强大的 LLM 提供了高效可扩展的解决方案。