arXiv cs.AI· Zhankai Ye, Yanning Wang, Yukai Jin, Bo Mei, Fangyi Li, Wei Wang, Shangqian Gao, Xin Liu·· 3 小时前AI 评分32
叙事包装如何影响 LLM 拒答：跨语言基准与防御方法
How Narrative Wrapping Affects LLM Refusal: A Cross-Language Benchmark and Defense
AI 导读
研究发现安全对齐模型会拒绝直接表述的有害请求，却会回答被角色扮演或叙事包装后的同一请求：Qwen3-1.7B 上的攻击成功率在英文中已达 89.4%，现代中文为 93.0%，文言文则达 95.7%。
来源：arXiv cs.AI · arxiv.org