Skip to content

Translation in progress Some entries still include text in the original language.

Oct 13 · Tuesday

All papers

Found 8 papers
Filter4
Select any value within a category; different categories must all match. Counts include the other filters you have selected.Another 201papers have no tags yet and are not included in filtered results.

Another 201papers do not have category tags yet and are not included in filtered results.

  1. 研究审计 Qwen2-Audio 音频越狱 AdvWave-P 的频率与解码层归因

    遮挡审计 AdvWave-P 音频越狱的频带必要性与解码层关联

    Published
    Evaluated models
    Qwen2-Audio-7B-Instruct, LLaMA-Omni
    AbstractAdvWave-P 的八频带排序与能量相关。

    这是对加性音频越狱 AdvWave-P 的频率与解码器深度审计,受害模型主要是 Qwen2-Audio-7B-Instruct,不提出新攻击。

    Paper analysisRead analysis
  2. 研究发现护栏模型在基座模型不确定处过度自信

    诊断护栏相对基座在对抗提示上的置信失校

    Published
    Evaluated models
    Llama-Guard 7B, Llama-Guard-2 8B, Llama-Guard-3 8B and others10
    Abstract对抗包装使 guard 高置信漏检,而对应 base 在同一输入上常更不确定。

    诊断性分析:五个提示词分类 guard 的置信度,在清洁输入上可以较校准,在越狱包装后则变成高置信度的错误判定。

    Paper analysisRead analysis
  3. 研究提出 Best-of-N 越狱的物理势垒模型,挑战攻击成功率幂律规律

    用物理陷阱模型描述 Best-of-N 越狱的攻击面规律

    Published
    Evaluated models
    Qwen2.5-7B (base), Llama-3.1-8B-Instruct, Qwen2.5-3B-Instruct and others5
    Abstract四参数势垒模型拟合 BoN 的两预算面,并把指数交叉归因于数据集有限。

    Biroli 用一个玻璃陷阱式的微观模型,把 Best-of-N 越狱写成熵瓶颈加能量鞍点,并用四个数描述 (N, M) 攻击面及温度依赖。。

    Paper analysisRead analysis
  4. 研究:安全对齐 LLM 如何从混合合规示范中学习

    检验混合合规演示教模型的是通用服从还是有害性

    Published
    Evaluated models
    Llama-3.1-8B-Instruct, OLMo-3.1-32B-Instruct, GPT-OSS-20B and others6
    Abstract良性与有害合规演示不可互换,效应取决于模型、顺序和偏好优化。

    这项工作问的是:安全对齐模型从混合的良性与有害合规演示中提取的,是通用服从规则,还是请求是否有害。作者控制 Nb、Nh、ϕ 和顺序,检验总量、有害计数与联合计数三个假设,而不是提出新的攻击算法。

    Paper analysisRead analysis
  5. 论文提出随机插入攻击,利用自回归一致性绕过 LLM 安全对齐

    解释自回归一致性如何导致浅层安全对齐,并提出随机插入攻击

    Published
    Abstract作者用自回归一致性串起浅层对齐、插入攻击和最坏延续对齐。

    作者把浅层安全对齐和一类续写攻击都归到自回归一致性上。

    Paper analysisRead analysis
  6. 研究提出 IRT 框架拆解大模型跨语言安全护栏退化

    提出多组 IRT 框架拆解跨语言安全护栏退化原因

    Published
    Evaluated models
    gpt-4.1-mini, gpt-4o-mini, gpt-4.1-nano and others15
    Abstract多组 IRT 把多语安全失败拆成能力、语言难度和题目特异差距,并在闭源配置上估计这些因子。

    Zhang、Patel、Truong 与 Koyejo 用多组项目反应理论,解释安全护栏为何随语言变化,而不是只报告一个 JSR。

    Paper analysisRead analysis
  7. Jailbreak scaling laws for large language models: crossover from polynomial to exponential growth

    Propose SpinLLM to explain the crossover in jailbreak scaling between short and long injections

    Published
    Evaluated models
    Llama-3.2-3B-Instruct, Llama-3-8B-Instruct, Llama-3-70B-Instruct and others10

    AbstractWeak injection corresponds to power law, strong injection to exponential.

    Paper analysisRead analysis
You have reached the end