跳到正文
arXiv · AI· Yongxi Zhou, Wenbo Ye, Yuanzhe Liu, Zihan Dong, Junwei Yao, Jiahui Ge·· 2026-10-14AI 评分50

arXiv 论文:Style Over Substance 揭示内容不变包装可翻转 LLM 安全判定

Style Over Substance: Content-Invariant Wrappers Flip LLM Safety-Judge Verdicts

AI 导读

该论文在 JailbreakBench 数据集上测试 9 种风格包装对 8 个安全评判模型的影响,发现不变内容下的包装可造成判定错误。实验中,GPT-4o-mini 的判定被翻转率最高达 19.9%,而调整评分提示词后攻击效果可降低约十倍。论文已开源代码、包装模板及逐条判定标签,并指出不同评判模型对目标模型安全性的排名存在不稳定性。

来源:arXiv · AI · arxiv.org