研究人员开发了RL-ATTACK,一个新颖的强化学习框架,旨在通过黑盒对抗攻击识别大型语言模型(LLM)的漏洞。与依赖外部知识的先前方法不同,该方法通过查询目标模型来学习生成定制的对抗性转换。RL-ATTACK展示了提高的查询效率和语义保留能力,在自然语言推理和生成式问答任务上实现了显著降低的攻击后准确率,甚至在某些情况下优于基于优化的基线。 AI
影响 这项研究通过识别和利用当前的漏洞,可能带来更强大的LLM安全措施。
排序理由 详细介绍一种攻击LLM新方法的学术论文。[lever_c_research降级: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 →