LASH: Adaptive Semantic Hybridization for Black-Box Jailbreaking of Large Language Models
本文介绍了 LASH，这是一个黑盒框架，它利用遗传优化器自适应地组合多种异构越狱策略的输出，从而在极低的查询预算下，实现对已对齐大语言模型的最先进攻击成功率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图解锁一个非常聪明、极其谨慎的机器人，它被编程为拒绝有害请求。这个机器人是一个“大语言模型”（LLM）。多年来，研究人员尝试用各种各样的 trick 诱骗这个机器人打破规则（这一过程称为“越狱”）。有些 trick 涉及以有趣的方式重写请求，有些涉及假装成不同角色，还有些涉及让机器人解决一个隐藏了不良请求的谜题。
问题在于，没有任何一种 trick 能适用于所有机器人或所有类型的不良请求。有时“搞笑故事”类的 trick 有效，但“角色扮演”类的 trick 却失败；有时机器人忽略了故事，却中了角色扮演的圈套。这就像试图用一把钥匙打开一扇门：有时钥匙能对上，但往往对不上。
LASH 登场：打造“万能钥匙”的工匠
这篇论文介绍了一种名为 LASH（LLM 自适应语义混合）的新方法。LASH 并非试图发明一种完美的 trick，而是像一位主厨或音乐制作人那样运作。
以下是其工作原理，使用简单的类比说明：
1. “种子沙拉”（收集食材）
首先，LASH 并非从零开始烹饪。相反，它请五位不同的“厨师”（现有的越狱方法）各自基于同一个不良请求尝试制作一道菜。
- 厨师 A 制作辣味版本。
- 厨师 B 制作甜味版本。
- 厨师 C 制作咸味版本。
- 厨师 D 制作酸味版本。
- 厨师 E 制作苦味版本。
这些菜肴中有些可能很难吃，有些可能尚可，但单独来看没有一道是完美的。LASH 将所有这些“种子菜肴”收集到一个碗中。
2. “搅拌机”（混合食材）
这是神奇的部分。LASH 并非直接挑选最好的那道菜，而是使用一台搅拌机。它将所有种子菜肴放入搅拌机，但并非等量混合。
- 它会问：“我们需要多少辣味菜肴？需要多少甜味菜肴？”
- 它利用一种智能计算机算法（“遗传优化器”）来找出完美配方。它可能会说：“使用 80% 的辣味菜肴、10% 的甜味菜肴和 10% 的酸味菜肴。”
随后，搅拌机将这些食材混合在一起，创造出一种全新的、独特的菜肴（即一个新的提示词），融合了其他所有菜肴的最佳部分。
3. “品尝测试”（检查结果）
LASH 将这道新混合的菜肴喂给那个谨慎的机器人。
- 如果机器人拒绝：LASH 会说：“好吧，这个配方行不通。”它回到搅拌机，调整比例（也许增加辣味、减少甜味），然后再次尝试。
- 如果机器人同意：LASH 会说：“成功！我们找到了完美的混合比例。”
为什么这比以前的方法更好？
论文声称，以前的方法就像一个人试图用一种特定工具（比如螺丝刀）去开锁。如果锁需要钥匙，螺丝刀就会失败。
LASH 则像一把瑞士军刀，能够瞬间将螺丝刀、刀具和开瓶器组合成一个单一的、定制化的工具，以适配你试图打开的那把特定锁。
他们发现了什么？
研究人员在六种不同的“机器人”（AI 模型）和十种不同类型的不良请求（例如要求生成仇恨言论、诈骗内容或危险指令）上测试了 LASH。
- 得分：LASH 成功诱骗机器人的比例达到 84.5%（使用简单检查）和 74.5%（使用更严格的检查，即由类人 AI 裁判验证答案是否真正有助于不良请求）。
- 对比：这一比例远高于任何单一“厨师”独立工作时的表现。
- 效率：它平均仅向机器人请求约 30 次帮助就达成了目标，效率非常高。
- 防御：即使机器人配备了额外的安全卫士（防御机制）试图阻止它们，LASH 仍然是最成功的方法。
“秘密酱料”（内部运作机制）
论文还观察了 LASH 工作时机器人“大脑”（其内部层）的内部情况。他们发现，LASH 不仅仅改变了表面的文字，它实际上引导了机器人的内部思考过程，使其进入一种更可能对不良请求说“是”的状态。就好像 LASH 不仅改变了问题，还改变了机器人的“心情”，使其更加顺从。
总结
LASH 是一个智能系统，它认识到没有任何一种单一 trick 能适用于所有 AI。相反，它收集多种不同的 trick，针对每种具体情况将它们按完美比例混合，创造出一种定制的“超级提示词”，使 AI 更难拒绝。它将越狱视为一场单一的战斗，而是将其视为混合食材以获得完美结果的食谱。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。