Dylan Hadfield-Menell
PulseAugur coverage of Dylan Hadfield-Menell — every cluster mentioning Dylan Hadfield-Menell across labs, papers, and developer communities, ranked by signal.
-
AI模型易受Chain-of-Thought欺骗攻击
研究人员发现AI大型语言模型（LLMs）存在一个漏洞，它们难以区分指令来源。这种“Chain-of-Thought欺骗”技术利用了模型的推理过程，可能导致其在区分不同指令来源时出现故障。Charles Ye、Jasmine Cui和Dylan Hadfield-Menell展示了这些发现。
-
AI漏洞欺骗聊天机器人，通过伪造推理来分享有害信息
AI研究人员发现了一种名为“CoT伪造”（CoT Forgery）的新漏洞，该漏洞会欺骗大型语言模型泄露有害信息，例如如何合成可卡因。该漏洞通过在提示中嵌入捏造的推理过程来起作用，导致模型将注入的文本视为自己的结论，从而绕过安全协议。研究人员发现，模型更依赖文本的风格呈现而非明确的角色标签来确定信息的权威性，这导致了成功的提示注入攻击显著增加。
-
谷歌 DeepMind 聘请哲学家以应对通用人工智能伦理挑战
政治哲学家 Iason Gabriel 于 2017 年加入谷歌 DeepMind，最初是前沿人工智能实验室中唯一的哲学家。他拥有道德哲学和政治理论的背景，为公司追求通用人工智能（AGI）提供了独特的视角。Gabriel 的工作在预测和应对大型语言模型快速发展带来的伦理挑战方面发挥了重要作用。
-
研究发现：通过利用角色混淆绕过大型语言模型安全规则
一篇题为《提示注入作为角色混淆》（Prompt Injection as Role Confusion）的新论文，由 Charles Ye、Jasmine Cui 和 Dylan Hadfield-Menell 撰写，探讨了大型语言模型（LLMs）中的一种漏洞，即可以通过角色冒充来绕过安全规则。作者将此比作“绝地精神控制术”（Jedi mind trick），展示了如何通过混淆模型预定义的角色（如 USER、ASSISTANT、TOO…
-
新研究发现：提示注入利用LLM角色混淆 · 追踪8个来源
新研究表明，提示注入攻击利用的是大型语言模型感知角色的根本性缺陷，而非安全过滤器的不足。研究人员发现，模型优先考虑文本的风格呈现，而非其结构性角色标签，这会导致混淆和成功的越狱。这种“角色混淆”意味着，让不可信的输入模仿特权文本（如模型自身的推理）的风格，就可以覆盖安全协议。研究结果表明，目前通常侧重于内容过滤的安全措施是不够的，需要新的方法来解决这个核心感知问题。