Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Jailbreaks and attacks · Papers
Found 5 papers提出能力洗钱攻击,拆分任务向对齐模型套取能力
- Published
- Evaluated models
- GPT-5.5, Claude Opus 4.8, Grok-4.3 and others7
Abstract作者提出了能力洗钱攻击,发现未对齐编排器分解咨询对齐模型可恢复能力差距,指出需建立跨会话防御。
提出工作流级越狱,让编程 Agent 在开发任务中写入有害示例
- Published
- Evaluated models
- Claude Sonnet 4.6, Claude Haiku 4.5, Gemini 3.1 Pro and others4
Abstract作者报告 Copilot 后端会在编码工作流中生成其在单轮条件下通常拒绝的有害答案。
这是一项生产 IDE 编码智能体的工作流越狱研究,受测对象是 Copilot 的四个模型后端,而非评测流水线中的名义目标。
提出 TRACE 框架,用分解与可演化多轮策略诱导智能体执行有害工作流
- Published
- Evaluated models
- Codex, Claude Code, GPT-5.5 and others6
提出 iMIST,用工具伪装和 PPO 迭代越狱大语言模型
- Published
- Evaluated models
- DeepSeek-V3, Qwen3-32B, GPT-OSS-120B
AbstractiMIST 用工具伪装和在线 PPO 做黑盒越狱,Table I 中 JADES 高于同格基线。
iMIST是黑盒越狱方法:把恶意查询伪装成合法工具调用,再用在线强化学习把响应的有害性分数往上推。
AttacksarXiv 2509.25624· 提出 STAC 框架,把恶意目标拆成多轮看似无害的工具调用链
- Published
- Evaluated models
- GPT-4.1-2025-04-14, GPT-4.1-mini-2025-04-14, Qwen3-32B and others8
Abstract作者提出并验证了智能体在序列化工具攻击下的普遍脆弱性,指出针对累积动作序列防御的必要性。
You have reached the end