M³ 多 LLM 系统将多轮越狱建模为马尔可夫决策过程
原文标题：$M^3$: A Multi-LLM System for Multi-Turn Jailbreaking as a Markov Decision Process
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究提出 M³ 自动化红队框架，把多轮越狱形式化为有限时域马尔可夫决策过程，由攻击 LLM 与目标 LLM 交互，并通过状态 LLM 维护紧凑内部状态。在两个基准、六个目标模型上，M³ 的攻击成功率最高提升 53%（ASR@5），轻量攻击者也能取得 26% 与 34% 的提升，且风险随对话轮次上升更陡、跨风险类别表现更均衡。
- 问题
- 多轮越狱攻击缺乏在纯黑盒设定下系统化的自动化红队方法。
- 方法
- 把多轮越狱建模为有限时域马尔可夫决策过程，攻击 LLM 在状态 LLM 维护的紧凑状态上与目标交互。
- 结果
- 两个基准、六个目标模型上 ASR@5 最高提升 53%；轻量攻击者仍有 ASR@1 提升 26%、ASR@5 提升 34%；Gini 指数改善至多 4.82。
- 影响
- 多轮对话的风险随轮次陡增，安全评测必须覆盖多轮场景而非只看单轮提示。
深读 · 结论先行AI 生成展开看要点与影响 ↓
M³ 将多轮越狱建模为 MDP，六模型上 ASR@5 最高提升 53%
- •框架由攻击 LLM 与目标 LLM 交互，状态 LLM 维护紧凑内部状态，形式化为有限时域 MDP
- •两个基准、六个目标模型上 ASR 全面优于现有多轮红队方法，ASR@5 最高提升 53%
- •轻量攻击者也能取得 ASR@1 提升 26%、ASR@5 提升 34%，超过用更强攻击者的基线
- •风险随对话轮次上升更陡，跨风险类别更均衡，Gini 指数最多改善 4.82
- •不依赖预定义风险分类体系，适用于完全黑盒设置
为什么重要：说明多轮对话本身就是攻击面，单轮安全评测会低估风险；对模型安全评估与红队流程设计有直接参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。