全部动态

结构化安全泛化问题

针对语义等价输入上安全性不泛化的问题，发现多轮、多图和翻译式攻击带来新漏洞，并提出结构重写护栏，显著提升有害输入拒答且不增加过度拒答。

Don't Say No：通过抑制拒答来越狱 LLM

提出 DSN 攻击，结合余弦衰减调度与拒答抑制改进优化式越狱的损失目标，攻击成功率达 SOTA，并可迁移到未见数据集和黑盒模型。

Red Queen：揭示大语言模型中潜在的多轮风险

提出多轮隐藏恶意意图的 Red Queen 攻击，在 GPT-4o 上 ASR 达 87.6%，且大模型更易受攻击；所提 Red Queen Guard 可将 ASR 降至 1% 以下。

机器生成文本检测的压力测试：转变语言模型写作风格以欺骗检测器

用 DPO 微调使生成文本风格趋近人类写作，仅需少量样本即可显著降低 Mage、Radar 等主流检测器的检测性能。

GOODLIAR：基于强化学习的欺骗性 Agent，用于扰乱 LLM 对基础原则的信念

提出 RL 框架生成欺骗性上下文，改写 LLM 对数学或哲学等基本公理的信念，效果优于简单多轮提示方法。

Rewrite to Jailbreak：发现可学习且可迁移的隐式有害指令

提出黑盒越狱方法 R2J，仅通过改写原指令并迭代优化策略即可越狱，无额外特征、更难识别，并可迁移到多种数据集和模型。

高效但脆弱：LLM 批量提示攻击的评测与防御

构建 BatchSafeBench，发现所有 LLM 都易受批量提示中注入指令的干扰；基于探针的检测准确率约 95%，并分析了相关注意力头。

QueryAttack：用结构化非自然查询语言越狱对齐模型

将恶意请求转换为结构化非自然查询语言以绕过安全对齐，在主流模型及多种防御下取得较高攻击成功率。

思维链推理真的能降低越狱危害吗？

理论分析表明思维链推理对越狱危害具有双重作用，并提出FicDetail越狱方法，以实验验证理论发现。

CAVGAN：通过内部表征生成对抗攻击统一越狱与防御

利用生成对抗网络学习模型内部安全判别边界，在三款模型上平均越狱成功率为88.85%，防御成功率为84.17%。

SQL注入式越狱：大语言模型的结构性安全缺陷

提出针对输入提示构造方式的SIJ越狱，五款开源模型攻击成功率接近100%，五款闭源模型平均超过85%。

Mousetrap：通过迭代混沌链越狱大型推理模型

将迭代生成的混沌映射嵌入推理链实施越狱，在Trotter数据集上对三款模型的攻击成功率分别达96%、86%和98%。

突破上限：通过扩展策略空间探索越狱攻击潜力

通过分解攻击策略并结合遗传优化扩展搜索空间，在所测Claude-3.5上取得超过90%的越狱成功率，并展现跨模型迁移性。

Chain of Attack：通过多轮审讯隐藏意图的越狱攻击

提出 CoA，从审讯视角生成多轮攻击链以隐藏越狱意图，对黑盒 LLM 的攻击成功率达 83%，高于对比方法的 64%。

Chain-of-Jailbreak：通过逐步编辑攻击图像生成模型

将恶意查询拆成多个子查询并逐步编辑图像，绕过防护的比例超 60%（其他方法 14%），并提出 Think-Twice Prompting 防御超 95% 的攻击。

Crabs：黑盒场景下自动生成提示的 LLM-DoS 资源消耗攻击

提出 AutoDoS，在黑盒下构建 DoS 攻击树并迭代优化，使服务响应延迟放大超 250 倍，并可借 Length Trojan 绕过现有防御。

大语言模型中的提示威胁：系统提示与用户提示视角

综述提示泄露与提示越狱等攻击方法，总结其实验设置，并探讨提示威胁与提示注入攻击之间的关系。

沉默的破坏者：针对黑盒 RAG 系统的不可察觉对抗攻击

提出基于强化学习的 ReGENT，用人眼难以察觉的小扰动让目标文档被检索并误导 RAG 的最终回答，效果优于现有攻击方法。

SemanticCamo：通过语义伪装越狱大语言模型

提出 SemanticCamo，用语义特征替换不安全内容以隐藏恶意意图，对 GPT-4o、Claude-3.5 等平均超过 80% 的情况诱导出有害回答，且对多种防御有效。

谁能抵御聊天音频攻击？大型音频语言模型评测基准

提出含四类音频攻击的 CAA 基准，评估六个语音交互 LALM 的鲁棒性，结果显示 GPT-4o 抗攻击能力最强。

效率之下的暗礁：小语言模型中越狱攻击的隐藏威胁

实证评估 13 个 SLM 在多种越狱攻击下的安全性，多数易受攻击；防御方法有效，并分析了压缩、量化、蒸馏等技术造成的安全退化。

MVTamperBench：评测视觉语言模型对视频篡改的鲁棒性

构建含约 1.7 万篡改视频片段的基准，评测 45 个 MLLM 对五类篡改的抵抗力，发现鲁棒性差异大且参数量更大不一定更稳健。

SecAlign：用偏好优化防御提示注入

一个代理骗所有模型：基于 CLIP 的通用、可迁移、定向对抗攻击