Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Jailbreaks and attacks · Papers
Found 6 papers提出推理通道预填与输出前缀组合攻击以越狱推理模型
- Published
- Evaluated models
- Gemini 3 Flash Preview, DeepSeek V4 Flash, Claude Haiku 4.5
提出任意字母置换密码越狱,无需微调即可诱导有害输出
- Published
- Evaluated models
- Claude Sonnet 4, Claude Sonnet 4.5, Gemini 3 Flash (preview) and others7
Abstract前沿大模型无需微调即可通过提示词学会字母置换密码,进而绕过分类器与对齐,作者呼吁关注能力提升带来的安全风险。
提出多流扰动攻击,交织有害与良性任务绕过思考型 LLM 安全对齐
- Published
- Evaluated models
- Qwen3 1.7B, Qwen3 4B, Qwen3 8B and others11
Abstract多流扰动用任务交织测试 thinking 模式,作者称它同时冲击内容安全与推理稳定性。
多流扰动攻击把有害任务与良性任务织进同一提示词,测试 thinking 模式的内容安全与推理稳定性。作者认为,交织多任务会拉长思考,使安全检测面对被打散的有害意图,并可能把推理用于合理化,或陷入崩溃与重复。方法不访问梯度。
AttacksarXiv 2512.05853· 提出视觉推理序列攻击 VRSA,以图像序列越狱多模态大模型
- Published
- Evaluated models
- DeepSeek-VL2-tiny, InternVL-3.5-8B, LLaVA-1.6-Mistral-7B and others8
AttacksarXiv 2510.17904· 提出 BreakFun ,用模拟代码执行中的对象实例化越狱模型
- Published
- Evaluated models
- GPT-4.1 Mini, Gemini 2.5 Flash, Claude-3.5 Sonnet and others16
AttacksarXiv 2510.11570· 提出四种阶段转换攻击,绕过推理模型的安全推理护栏
- Published
- Evaluated models
- gpt-oss-20b, gpt-oss-120b, Qwen3-4B-Thinking-2507 and others10
You have reached the end