StealthRL自适应改写攻击框架发布

2026年10月26日，研究者Suraj Ranganath和Atharv Ramesh在arXiv发布StealthRL框架。该框架利用强化学习优化改写策略，旨在通过自适应攻击测试AI文本检测器的鲁棒性。该框架通过强化学习优化改写策略，成功规避RoBERTa等四类主流AI文本检测器，使TPR@1%FPR降至0.024。该攻击在保持语义重叠和可读性的同时，能有效迁移至未参与训练的检测器，显示出现有检测机制的脆弱性。研究代码及模型权重已公开，旨在推动部署场景下的AI检测器鲁棒性评估。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。