新的QDRT框架生成多样化且有效的LLM攻击提示

研究人员推出了一种名为质量-多样性红队测试（QDRT）的新型框架，旨在增强大型语言模型（LLM）的安全性和鲁棒性。QDRT通过生成更多样化且有效的对抗性提示，解决了现有红队测试方法的局限性。该框架采用行为条件训练和行为回放缓冲区来实现目标驱动的多样性，从而能够创建多个专门的攻击者。实证评估表明，QDRT在针对GPT-2、Llama 3、Gemma 2、Qwen2.5、GPT-4.1和GPT-5 Chat等一系列LLM生成多样化且有力的攻击方面表现更优。 AI

影响 通过提供一种更系统、更有效的方法来进行自动红队测试，从而增强了LLM的安全评估。

排序理由 该集群包含一篇详细介绍LLM安全评估新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Chao Qian
• Gemma 2
• GPT-2
• GPT-4.1
• GPT-5 Chat
• large language models
• Llama 3
• LLMs
• QDRT
• Quality-Diversity Red-Teaming
• Qwen2.5

• 安全
• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →