★ 3
语义重建游戏：LLM 越狱评估新方法
论文指出越狱攻击评估中攻击成功率（ASR）高度依赖评判 LLM，仅更换评判模型即可使报告 ASR 变化高达 82 个百分点。作者提出无需训练的语义重建游戏评估器，将合规判断分解为受限语义比较，在三个现成 LLM 评判器上取得最低平均误差并减少 ASR 波动。
arXiv cs.LG18 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文指出越狱攻击评估中攻击成功率（ASR）高度依赖评判 LLM，仅更换评判模型即可使报告 ASR 变化高达 82 个百分点。作者提出无需训练的语义重建游戏评估器，将合规判断分解为受限语义比较，在三个现成 LLM 评判器上取得最低平均误差并减少 ASR 波动。