arXiv · NLP· Zhouyuan Ma, Yutao Wu, Hanxun Huang, Xiang Zheng, Yi Liu, Xingjun Ma·2026-10-19 12:00· 8 小时前AI 评分20

RedDarwin：针对前沿大语言模型进化越狱技能

RedDarwin: Evolving Jailbreak Skills against Frontier LLMs

AI 导读

智能体框架 RedDarwin 将越狱进化单元从提示词转变为可执行攻击技能，利用 47 个基础技能自主进化出 65 个新技能，将 AdvBench 平均攻击成功率从 18.8% 提升至 47.3%。

来源：arXiv · NLP · arxiv.org