一篇新发表在arXiv上的论文表明，目前为保护开源大语言模型（LLMs）免遭有害使用而设计的防御措施，容易受到简单的越狱技术攻击。研究人员发现，像“擦除”（abliteration）和“预填充”（prefilling）等无需复杂优化的已知攻击，可以显著提高受保护模型上对抗性使用的成功率。为解决这一漏洞，该论文提出了一种“抗擦除微调”（ART）方法，可以集成到现有防御中，以降低这些更简单攻击的有效性。 AI
影响 突显了当前大模型安全措施的一个关键漏洞，表明需要针对更广泛的对抗性攻击进行更稳健的评估。
排序理由 该集群包含一篇详细介绍大模型安全新发现的学术论文。[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 →
