研究人员开发了一个名为RMT-Jailbreak的新框架,可以将现有的自回归(AR)越狱攻击迁移到扩散大型语言模型(dLLMs)。该方法利用了对查询的有害响应可以作为dLLMs的有效越狱模板这一观察结果。通过掩盖这些有害响应令牌的一部分并应用安全过滤,该框架会诱导dLLMs重建有害内容。实验表明,这些越狱攻击在不同的AR方法和dLLMs之间具有很强的跨范式迁移能力。 AI
影响 这项研究揭示了扩散LLM的一个新漏洞,可能影响安全过滤机制并需要新的防御策略。
排序理由 研究论文,详细介绍了一种新的越狱LLM的方法。[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 →