攻击arXiv 2602.05444
用于 LLM 鲁棒越狱攻击的因果前门调整
提出 CFA2，用 SAE 定位防御方向并正交化输出权重实现越狱
- arXiv
- 2602.05444
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 攻击者
- 白盒
- 被测模型
- Llama 3.1 8B Instruct、Llama2 7B Chat、Mistral 7B Instruct 等4个
全部论文
另有254篇论文还没打上分类标签，暂不在筛选结果里。
已经到底了
另有254篇论文还没打上分类标签，暂不在筛选结果里。
提出 CFA2，用 SAE 定位防御方向并正交化输出权重实现越狱