MEEA：基于曝光效应的多轮越狱攻击框架

研究者提出 MEEA（Mere Exposure Effect Attack），一种受心理学曝光效应启发的全自动黑盒多轮越狱框架，通过重复低毒性语义暴露逐步侵蚀模型的安全对齐约束。该方法构建语义递进的提示链，并用模拟退火策略结合语义相似度、毒性和越狱效果进行优化。在 GPT-4、Claude-3.5 和 DeepSeek-R1 等闭源与开源模型上，MEEA 的攻击成功率持续高于七个代表性基线，平均提升超过 20%。消融实验验证了退火优化和上下文暴露机制的必要性。作者据此认为 LLM 安全行为是动态且依赖历史的，挑战了静态对齐边界的假设，并呼吁交互感知的安全评估与防御机制。