跳到正文
arXiv · AI· Haoming Yang, Ke Ma, Yangbangyan Jiang, Ligong Zhang, Xiaojun Jia, Longtao Huang, Yingfei Sun, Qianqian Xu, Qingming Huang·· 2026-10-14AI 评分44

LLM 推理中的叙事悖论:导向不一致的推理轨迹塑造

Narrative Paradoxes in LLM Inference: Shaping Reasoning Trajectories toward Misalignment

AI 导读

提出 PDRA 攻击方法,通过构造叙事悖核并嵌入三阶段分析框架,诱导大语言模型在保持表面连贯的同时生成有害推理内容。 PDRA 通过引导模型内部表征偏离拒绝相关模式,抑制安全触发词并激活规划导向术语,在多样化 LLM 上实现高成功率的攻击。

来源:arXiv · AI · arxiv.org