CrowdStrike 实验室披露绕过 LLM 安全分类器的分解重组攻击管线
How Attackers Can Bypass LLM Safety Classifiers
AI 导读
CrowdStrike Cyber Superintelligence Lab 评估了当前公开部署的最先进内容安全分类器（用于保护 Claude Opus 5.5 等前沿模型），发现该分类器对直接攻击极为稳健，但可被系统性地绕过。研究测试了约 515 种绕过技术，包括编码、心理操纵、多轮升级、many-shot、tokenizer 漏洞和 Unicode 技巧等，直接绕过成功率均为 0%。绕过方法是将有害任务拆解为单独无害的子任务，用游戏模组、检测工程等合法软件语境重新包装，再由未受分类器保护的本地开源模型组装成可用的攻击代码。该管线在 10 个 MITRE ATT&CK 对齐的攻击类别中有 9 个生成了可工作的漏洞利用代码，仅 Defense (EDR) Evasion 一类因分类器在概念层面拦截而失败。