RL-ATTACK：强化学习驱动的语言模型黑盒对抗攻击框架
原文标题：RL-ATTACK: A Generalized Black-Box Adversarial Attack on Language Models via Reinforcement Learning
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。
研究者提出 RL-ATTACK，一个基于强化学习的可训练黑盒对抗攻击框架，能从目标模型反馈中学习生成定制化对抗变换，而非依赖外部知识猜测。在自然语言推理任务上，仅用 20 次查询即可将攻击后准确率压至 2%；在生成式问答任务上，6 个设置中 4 个优于强优化基线。作者还发现不同奖励设计与训练设置没有一致最优方案，代码已开源。
- 问题
- 黑盒对抗攻击依赖外部知识猜测变换，浪费目标模型反馈。
- 方法
- 用强化学习训练攻击器，从目标模型反馈中学习生成定制化对抗变换。
- 结果
- 自然语言推理任务上仅 20 次查询将攻击后准确率压至 2%；生成式问答 6 个设置中 4 个优于强优化基线。
- 影响
- 黑盒攻击查询成本大幅下降，红队评估与安全对齐测试可直接复用该框架。
深读 · 结论先行AI 生成展开看要点与影响 ↓
RL-ATTACK 仅用 20 次查询把自然语言推理攻击后准确率压至 2%
- •基于强化学习的可训练黑盒攻击框架，从目标模型反馈中学习生成定制对抗变换，而非靠外部知识猜测
- •自然语言推理任务上，20 次查询内将攻击后准确率降至 2%
- •生成式问答任务 6 个设置中 4 个优于强优化基线，并称查询效率更高、语义保持更好
- •多种奖励设计与训练设置中无一致最优方案；代码已开源
为什么重要：黑盒攻击的查询成本大幅降低，意味着仅暴露 API 的模型也面临现实对抗风险，安全评估需纳入查询预算维度。
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。