研究人员开发了SEMA-Auto,一个旨在绕过大型语言模型安全措施的新型自主系统。与预先规划攻击或需要昂贵交互式评估的先前方法不同,SEMA-Auto可以独立评估其成功并终止会话。该系统采用两阶段训练过程,包括合成引导调优和决策监督强化学习,以提高其有效性和效率。SEMA-Auto在包括GPT-oss-120B和Claude-Haiku-4.5等前沿模型在内的各种数据集和模型上,展示了最先进的攻击成功率,优于现有的静态和交互式基线。 AI
影响 这项研究突显了大型语言模型安全机制的潜在漏洞,并可能促进更强大防御措施的开发。
排序理由 研究论文,详细介绍了一种攻击大型语言模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- AdvBench
- arXiv
- Claude Haiku-4-5
- DeepSeek-V4 Flash
- GPT-5.4
- GPT-OSS 120B
- HarmBench
- Hugging Face
- SEMA-Auto
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →