arXiv · ML· Jinwei Gan, Zifeng Cheng, Zhiwei Jiang, Ran Sun, Shiping Ge, Qing Gu·· 4 小时前AI 评分23
研究者提出 RMT-Jailbreak 框架，将自回归越狱攻击迁移至扩散语言模型
Harmful Responses Are Jailbreak Templates: Transferring Autoregressive Jailbreaks to Diffusion Language Models
AI 导读
研究者发现有害响应可用作扩散语言模型（dLLM）的有效越狱模板。RMT-Jailbreak 框架通过将自回归（AR）生成的有害响应转化为高掩码比例模板，实现对 dLLM 的跨范式越狱。 该框架采用统一 token 保留率生成模板，并应用基于提示词的安全过滤以掩蔽残留的有害可见内容。实验证实了该攻击方法在多种 AR 越狱方法和目标 dLLM 中的有效性与通用性。
来源：arXiv · ML · arxiv.org