arXiv · ML· Liam Davis, Romain Emil-Popescu, Suman Jana·· 2026-10-15AI 评分21
语义重构游戏:一种无训练的大语言模型越狱评估方法
Did the LLM Answer the Question? A Semantic Reconstruction Game for Jailbreak Evaluation
AI 导读
提出“语义重构游戏”作为无需训练的越狱评估方法,通过仅改变裁判模型可消除高达 82 个百分点的攻击成功率(ASR)误差。该方法让大语言模型重构回答对应的请求,并与相似诱饵请求对比以判断合规性,在三种现成裁判模型中误差最低且降低 ASR 波动。该方法优先避免假阳性,即使可能漏报部分成功越狱。
来源:arXiv · ML · arxiv.org