跳到正文
arXiv · NLP· Tongyan Hu, Hao Li, Xiaogeng Liu, Ruida Wang, Zhengyu Liu, Shuyao Xu, Ning Zhang, Ziyang Li, Yinzhi Cao, Bryan Hooi, Chaowei Xiao·· 2026-10-06AI 评分38

Red-TTT:通过测试时训练实现大语言模型自动越狱

Red-TTT: Test-Time Training for Automated Jailbreaking Large Language Models

AI 导读

Red-TTT 提出在测试时训练攻击者参数,将攻击成功率从 55.9% 提升至 72.4%。 该方法在每个行为攻击中动态更新策略分布,仅需对目标模型进行采样访问即可集成现有流程。

来源:arXiv · NLP · arxiv.org