大模型的道德绑架攻击

罗格斯大学与卡内基梅隆大学研究者于 2026 年 10 月 14 日发表论文《Moral Combat: Exploiting Moral Foundations Theory to Jailbreak LLMs》（arXiv 2610.19587），提出基于道德基础理论的道德化攻击，用多 Agent 框架把有害请求改写成维护公平、自由等道德叙事并辅以历史论证。论文报告，在 AdvBench、HarmBench、JailBreakBench 共 219 条有害请求上测试 GPT-4.1、Grok-3、Llama-4 Maverick、DeepSeek-V3.1、Phi-4，AdvBench 子集单次越狱成功率 GPT-4.1 为 66%、Llama-4 Maverick 为 90%；在 AdvBench 50 条请求上重复五次攻击后，累计成功率达 92%—100%。