arXiv · NLP· Junyoung Park, Namgyu Park, Sechan Lee, Yoon-Chan Jhi, Jihoon Cho, Sangdon Park·· 10 天前AI 评分29
DC-GRPO:基于分解信用分配的 LLM 多轮越狱方法
MJ: Multi-turn LLM Jailbreaking via Decomposed Credit Assignment
AI 导读
该研究提出 DC-GRPO 框架,在 LLM 多轮越狱中实现轮次级分解信用分配。 在4个受害LLM和3个基准上,其平均ASR_5@3达到98.26%,优于SEMA的86.58%和TROJail的86.23%。
来源:arXiv · NLP · arxiv.org