跳到正文
arXiv · AI· Mark Russinovich·· 17 小时前AI 评分42

针对开源权重模型安全移除攻击的防御性欺骗:Fool's Gold

Fool's Gold: Defensive Deception Against Safety-Removal Attacks on Open-Weight Models

AI 导读

Fool's Gold 防御机制在剥离拒答功能后,使 0.51-0.90 比例的有害操作请求生成伪造自信的诱饵答案,而非正确信息。 该防御在 7 个模型(9B-122B)上验证有效,保持良性行为预算;在 CBRNE 相关评测中,受保护模型对匹配质量答案的致命错误率达 0.82-0.86。

来源:arXiv · AI · arxiv.org