研究人员开发了一个名为$M^3$的新框架,该框架将大型语言模型的多轮越狱视为一个马尔可夫决策过程。这种方法旨在通过允许攻击LLM与目标LLM进行交互,并由单独的状态LLM的内部状态指导,来提高红队测试的有效性。在两个基准和六个目标模型上的评估中,$M^3$证明了比现有方法更高的攻击成功率,在ASR@5上取得了高达53%的提升。 AI
影响 这项研究引入了一个新颖的、有原则的框架,通过系统地探索多轮越狱漏洞来评估和改进LLM安全性。
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]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →