D-Judge

新的D-Judge防御通过输出重写来破坏LLM越狱

研究人员开发了一种名为D-Judge的新防御机制，以对抗大型语言模型的多轮越狱攻击。这些攻击利用辅助裁判模型提供的反馈，通过迭代优化提示以实现有害目标。D-Judge通过在受害者LLM的响应被攻击者的裁判评估之前对其进行重写来工作，从而在不改变响应含义的情况下使反馈信号失配。这种策略会扰乱提示优化过程，从而在HarmBench等基准测试中提高安全性，同时保持在良性任务上的性能。