Trojan-Speak：对抗微调绕过 Constitutional Classifiers 且无越狱代价
Trojan-Speak: Bypassing Constitutional Classifiers with No Jailbreak Tax via Adversarial Finetuning
AI 导读
研究者提出 Trojan-Speak 对抗微调方法，在绕过 Anthropic 的 Constitutional Classifiers 的同时把推理能力损失控制在 5% 以内。该方法先用课程学习教模型掌握替换密码，再用 GRPO 混合 RL+SFT 训练，并把编码内容伪装成取证日志或区块链标识，以躲过针对加密文本的检测。在 14B 以上参数模型上分类器绕过率达 99% 以上，在 Anthropic 的 Bug Bounty Benchmark 上 Avg@5 为 85.2%，可给出专家级 CBRN 回答。作者称激活探针在模型学会解码后检测 AUC 达 0.97 至 0.99，但 Qwen3 4B、8B 等小模型的能力保留较差。
推荐理由
论文展示微调攻击可在绕过 Constitutional Classifiers 的同时把推理能力损失压到 5% 以内，并初步测试激活探针作为补充检测手段。