SEMA-Auto：可观察回复、能自主终止的高效多轮越狱攻击
SEMA-Auto: Sighted and Efficient Multi-Turn Attack with Autonomy
AI 导读
论文提出多轮越狱攻击方法 SEMA-Auto，报告其在多个数据集、受害者模型和评判器上取得最高的攻击成功率。该方法分两阶段训练：先用自举轨迹微调基座模型，建立攻击目标与决策的概念；再用决策监督强化学习分别优化越狱奖励和每轮是否继续的决策，一旦成功便自行终止会话。在 AdvBench 上针对 DeepSeek-V4-Flash，报告 76.0% ASR@1、平均 3.0 轮，而最好的静态基线为固定 7 轮的 54.8%，最好的交互式基线为 3.7 轮的 43.8%。针对 GPT-oss-120B、GPT-5.4、Claude-Haiku-4.5 和 GPT-6-Astra，在 HarmBench 上平均 59.6% ASR@1，比此前 SOTA 高 13.8%。代码见 github.com/microsoft/SEMA。