研究人员开发了一种新指标 ASR_STEP,用于评估迭代式大型语言模型 (LLM) 越狱的有效性。该指标考虑了对受害者模型的调用次数,惩罚需要更多交互的方法。在 JailBreakBench 上对不同模型家族的评估显示,像 GCG 这样的方法在考虑重复调用时得分显著下降,这凸显了考虑迭代攻击成本的重要性。 AI
影响 通过考虑迭代攻击的成本,为LLM越狱防御引入了更现实的评估。
排序理由 介绍LLM安全新评估指标的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →