跳到正文
arXiv · ML· Kevin Kuo, Virginia Smith, Chhavi Yadav·· 2026-10-08AI 评分36

开放权重 LLM 微调防御易受简单攻击破解

Open-Weight LLM Fine-Tuning Defenses are Susceptible to Simple Attacks

AI 导读

开放权重 LLM 的现有安全防御机制易受 abliteration 和 prefilling 等低成本攻击影响,跨三项评测基准的攻击成功率从低于 10% 提升至 16%-96%。

来源:arXiv · ML · arxiv.org