arXiv · AI· Mark Russinovich, Blake Bullwinkel, Giorgio Severi, Cristian Ovadiuc, Ahmed Salem·· 2026-10-14AI 评分50
通过对齐 LLM 进行能力洗钱:分割、咨询与征服
Divide, Consult, Conquer: Capability Laundering Through Aligned LLMs
AI 导读
研究提出“能力洗钱”攻击,弱未对齐模型可将有害任务拆解为无害子问题,独立咨询强对齐模型并本地合并答案,绕过安全限制。 实验评估 GPT-5.5、Claude Opus 4.8 和 Grok-4.3 作为顾问,在 CyBench 上 Gemma-4-31B 恢复 8/14 候选项,显著优于未协助时的 2/21;CBRN 攻击链平均分从 62.3 升至 83.1。
来源:arXiv · AI · arxiv.org