提出越狱攻击成功率缩放定律理论模型
热点事件持续更新
提出越狱攻击成功率缩放定律理论模型
1 篇报道1 个报道来源2 小时前更新
先了解这件事
报道摘要
研究发现，对抗性提示注入攻击可将大语言模型的攻击成功率从无注入时的多项式增长放大为随推理采样次数呈指数增长。作者提出基于自旋玻璃模型的理论生成框架，短注入提示对应弱磁场并产生幂律缩放，长注入提示对应强磁场并产生指数缩放。该趋势在 3B 至 70B 参数规模的多种模型、GCG 与 AutoDAN 攻击方法及 AdvBench、HarmBench 基准上保持稳定。
摘自 arXiv cs.LG
最新进展10月9日 12:00
大语言模型的越狱缩放定律：从多项式到指数级跨越报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv cs.LG大语言模型的越狱缩放定律：从多项式到指数级跨越
研究发现，对抗性提示注入攻击可将大语言模型的攻击成功率从无注入时的多项式增长放大为随推理采样次数呈指数增长。作者提出基于自旋玻璃模型的理论生成框架，短注入提示对应弱磁场并产生幂律缩放，长注入提示对应强磁场并产生指数缩放。该趋势在 3B 至 70B 参数规模的多种模型、GCG 与 AutoDAN 攻击方法及 AdvBench、HarmBench 基准上保持稳定。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。