跳到正文
arXiv · NLP· Md Mushfiqur Rahman, Tobias Rohde, Rahul Tripathi, Khalil Elkhalil, Kevin Lybarger·· 2026-10-14AI 评分31

ATTCK-R:面向受保护LLM的知识感知长程越狱框架

ATTCK-R: Knowledge-Aware Long-Horizon Jailbreaking for Protected LLMs

AI 导读

summary_zh: ATTCK-R 框架引入提示词安全保护后,使强多轮基线的平均攻击成功率从 0.896 降至 0.608,相对下降 32.1%。 该框架将越狱建模为长程轨迹优化问题,在 9 个受保护 LLM 上一致优于现有强多轮越狱框架。

来源:arXiv · NLP · arxiv.org