进化方法而非提示词：大语言模型越狱攻击的进化式合成
Evolve the Method, Not the Prompts: Evolutionary Synthesis of Jailbreak Attacks on LLMs
AI 导读
研究者提出 EvoSynth，一个将大语言模型越狱攻击优化空间从提示词转移到可执行代码的自主多智能体框架。该框架由多智能体系统自主构建、进化和执行基于代码的攻击算法，并内置代码级自我修正循环，能根据目标模型反馈和失败尝试迭代重写攻击算法。实验显示，EvoSynth 对 Claude-Sonnet-4.5 等高鲁棒模型的攻击成功率为 85.5%，在所评测目标上平均攻击成功率为 95.9%，生成攻击的多样性也显著高于现有方法。作者已发布该框架以支持后续研究。