Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.07646

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2508.07646 (cs)
[提交于 2025年8月11日 ]

标题: 多轮越狱比看起来更容易

标题: Multi-Turn Jailbreaks Are Simpler Than They Seem

Authors:Xiaoxue Yang, Jaeha Lee, Anna-Katharina Dick, Jasper Timm, Fei Xie, Diogo Cruz
摘要: 尽管针对大型语言模型(LLMs)的单轮越狱攻击的防御措施已显著改进,但多轮越狱攻击仍是一个持续的漏洞,通常在针对单轮保护优化的模型上成功率达到70%以上。 本研究对最先进的模型包括GPT-4、Claude和Gemini变体进行了自动化多轮越狱攻击的经验分析,使用了StrongREJECT基准。 我们的发现挑战了多轮攻击的复杂性认知:当考虑到攻击者能够从模型如何拒绝有害请求中学习时,多轮越狱方法大约等同于多次重新采样单轮攻击。 此外,相似模型之间的攻击成功率存在相关性,使得越狱新发布模型变得更加容易。 此外,对于推理模型,我们发现令人惊讶的是,更高的推理努力往往会导致更高的攻击成功率。 我们的结果对人工智能安全评估和越狱抗性系统的设计具有重要影响。 我们在https://github.com/diogo-cruz/multi_turn_simpler发布源代码。
摘要: While defenses against single-turn jailbreak attacks on Large Language Models (LLMs) have improved significantly, multi-turn jailbreaks remain a persistent vulnerability, often achieving success rates exceeding 70% against models optimized for single-turn protection. This work presents an empirical analysis of automated multi-turn jailbreak attacks across state-of-the-art models including GPT-4, Claude, and Gemini variants, using the StrongREJECT benchmark. Our findings challenge the perceived sophistication of multi-turn attacks: when accounting for the attacker's ability to learn from how models refuse harmful requests, multi-turn jailbreaking approaches are approximately equivalent to simply resampling single-turn attacks multiple times. Moreover, attack success is correlated among similar models, making it easier to jailbreak newly released ones. Additionally, for reasoning models, we find surprisingly that higher reasoning effort often leads to higher attack success rates. Our results have important implications for AI safety evaluation and the design of jailbreak-resistant systems. We release the source code at https://github.com/diogo-cruz/multi_turn_simpler
评论: 25页,15图。被COLM 2025 SoLaR研讨会接受
主题: 机器学习 (cs.LG)
引用方式: arXiv:2508.07646 [cs.LG]
  (或者 arXiv:2508.07646v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.07646
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Diogo Cruz [查看电子邮件]
[v1] 星期一, 2025 年 8 月 11 日 05:57:41 UTC (1,399 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs.LG

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号