跳到正文
arXiv · AI· Yisong Xiao, Benlei Cui, Haiwen Hong, Shiji Zhao, Zonghao Ying, Yaoyuan Zhang, Longtao Huang, Aishan Liu, Hui Xue, Ting Ma, Xianglong Liu·· 2026-10-14AI 评分34

PASP 通过感知感知对抗自博弈降低有害内容适应性攻击成功率

Hidden in Plain Sight: Advancing Harmful Content Understanding via Perception-Aware Adversarial Self-Play

AI 导读

提出 PASP 方法,利用多感知视图与对抗自博弈提升大语言模型对隐蔽有害意图的理解。 在 ChineseHarm-Bench 和 EvoHarmBench 上,适应性攻击成功率分别降低 73.71% 和 74.49%。 模型能力保持良好,且能有效解读电商领域的现实规避表达。

来源:arXiv · AI · arxiv.org