TAPDreamer:可跨任务迁移的世界动作模型对抗补丁
TAPDreamer 用公开编码器做固定补丁。
- arXiv
- 2610.06814
- Published
- Layer
- Prompt layer
- Evaluated models
- FastWAM, DreamWAM-uncond, DreamWAM-joint and others4
- TechniqueGradient and representation optimization
- ComponentVision
Another 232papers do not have category tags yet and are not included in filtered results.
TAPDreamer 用公开编码器做固定补丁。
提出轨迹级可迁移对抗攻击,降低深度强化学习策略的期望回报
这项工作研究 DRL 上的迁移式黑盒观测攻击:受害参数不可访问时,在白盒代理上造扰动再迁移。
提出核化激活引导 KAS,在推理时自适应转向激活以诱导越狱
Kernelized Activation Steering(KAS) 把推理时的激活转向写成核空间中的优化,使更新随当前激活相对源、目标参考集的位置而变化。
用词级归因指导同义词替换,翻转提示注入检测并验证越狱
Abstract作者称检测靠分散的词法线索。
提出广度优先后缀搜索 BOSS,改进 GCG 越狱优化
BOSS 是插在 GCG 类离散 suffix 优化上的搜索框架:局部梯度更新不变,变的是固定预算花在深度还是广度。
提出 DIVA,利用跨步条件传播对离散扩散视觉语言模型实施视觉越狱
提出 SN-Guided Diffusion,利用安全神经元实现离线越狱
论文系统评估了扩散大语言模型(DLLM)在安全对齐中的双重角色——既作为白盒攻击目标,又作为黑盒越狱生成的对抗工具。
提出 Concept2Scenario,借助内部概念归因发现可迁移的越狱场景
Abstract该研究从表征空间因果归因揭示场景削弱拒绝的机制,发现可复用脆弱场景先验,提升多模型黑盒越狱效能与探索速度。
提出 SlotGCG,按注意力选槽插入对抗 token 以越狱指令模型
提出单神经元激活干预,抑制拒答神经元或放大概念神经元以绕过安全对齐
Abstract作者称大模型安全由拒答门控与概念底座构成,干预单个神经元足以双向击穿对齐,且拒答神经元在预训练阶段已然存在。
提出 GPO-V,用全局概率优化的视觉扰动越狱扩散视觉语言模型
GPO-V 把越狱从“开头必须顺从”改成“整段去噪概率朝肯定方向走”。。
提出 Misrouter,借 MoE 路由优化仅输入前缀并迁移攻击
提出 PEO,直接优化原提示词嵌入实现白盒越狱
PEO是一种不追加对抗 token 的 white-box 越狱:直接改已有提示词嵌入,并只对未成功样本更换续写目标再优化。
提出 TriageFuzz,用替代模型定位敏感片段做查询高效越狱
Propose the Amnesia activation-guided attack to bypass model safety refusal during inference
提出 TAO-Attack,用两阶段损失与 DPTO 优化越狱后缀
提出 ShallowJail,在推理时用转向向量改写隐藏状态实现越狱
提出 CFA2,用 SAE 定位防御方向并正交化输出权重实现越狱
比较 GCG 对抗 token 作为前缀与后缀的越狱效果
提出 GOSV,全局优化定位安全注意力头并在推理时重贴激活越狱