什么驱动方言越狱?对表层形式、文化框架与策略库的消融研究
消融比较方言越狱中表层形式、文化框架与策略库的作用
- arXiv
- 2609.31664
- Published
- Layer
- Prompt layer
- Setting
- Models and APIs
- Attacker
- Black-box
- Evaluated models
- GPT-4o, DeepSeek-Reasoner, DeepSeek-Chat
- AttacksJailbreaks
- TechniqueAutomated search
Another 265papers do not have category tags yet and are not included in filtered results.
消融比较方言越狱中表层形式、文化框架与策略库的作用
提出多轮越狱框架 BLUEPRINT,用世界观模拟与心理因素诱导有害输出
BLUEPRINT 是一个将因子化社会影响力策略空间与跨轮世界观模拟解耦的多轮大语言模型安全评测框架。
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。
评测多语言与编码混淆提示下模型生成钓鱼与键盘记录内容的遵从
构建 MultiTurnPSB,评测四轮医疗越狱与分类器输入防御
MultiTurnPSB 针对患者端医疗大模型在持续交互中的安全风险,构建了包含三种攻击模态的四轮对抗评测基准。
提出 Persona Attack,分步写入对话记忆指令以越狱
提出 PCSA,用人设多轮模拟咨询来访者以诱导有害共情回复
提出复合越狱,叠对比结构、权威人设与自评饱和指令层级
提出 FoodGuardBench 与护栏 FoodGuard-4B,评测并降低食品危害越狱
提出 S2C 越狱,用情境改写、切分和线索伪装推迟有害意图整合
提出 STAR 多轮角色扮演框架,利用对话状态演化绕过安全对齐
提出黑盒 context nesting,用结构化补全任务嵌套有害请求越狱扩散 LLM
作者把 D-LLM 相对 AR-LLM 越狱的稳健性称为 safety blessing,并把 context nesting 当作它的 black-box 失效方式。
提出音频叙事越狱,以嗓音投递风格绕过端到端语音模型拒答
提出 ICON 多轮越狱,用意图-上下文先验生成攻击序列
用醉酒语言诱导改编对话模型并评测越狱与隐私泄露
作者把醉酒语言当作攻击向量,检验把 LLM 适配成醉酒发短信的模式后,越狱和情境隐私是否变差。动机是人类醉酒时的失范与泄密,以及 LLM 模拟人设的能力。
提出 BreakFun ,用模拟代码执行中的对象实例化越狱模型
提出四段越狱提示,评测中英提示对闭源模型的绕过效果