MaskForge：针对扩散大语言模型越狱的结构感知自适应攻击
MaskForge: Structure-Aware Adaptive Attacks for Jailbreaking Diffusion Large Language Models
AI 导读
研究者提出 MaskForge，一种针对扩散大语言模型（dLLM）的全黑盒自适应越狱攻击。论文称，由于 mask token 是 dLLM 的原生输入、token 按置信度而非位置确定，有害内容可通过填充在受监控前缀之外被诱导。该方法将 dLLM 红队测试建模为对持续增长的结构模式库的优化搜索，把成功尝试抽象为可复用模式，用 UCB bandit 选择与目标兼容的模式，库内模式失效时由评分器引导回退，成功经验回流模式库以实现跨目标积累。在五款公开 dLLM 和三个基准上，MaskForge 平均攻击成功率达 79.3%，较最强 dLLM 基线相对提升 17.6%；成熟后的模式库无需任何更新即可迁移到 AdvBench，攻击成功率达 88.2%，较最强竞争基线相对提升 67%。