SpecGuard usa lógica temporal para detectar jailbreaks que só aparecem ao longo de várias mensagens
O SpecGuard propõe monitorar diálogos inteiros com LLMs, e não mensagens isoladas, convertendo observações em linguagem natural em fatos verificáveis e checando-os contra especificações formais de comportamento proibido escritas em lógica temporal linear. O framework não exige treinar um classificador e supera guard models de código aberto mantendo taxa controlada de falsos positivos, além de produzir um rastro de decisão auditável.
Fonte ↗