★ 3
GUISE 基准：叙事包装绕过 LLM 拒答与 AXIS 防御
论文研究安全对齐模型在角色扮演或叙事包装下绕过拒答的漏洞，构建跨语言基准 GUISE，覆盖英语、现代汉语与文言文。实验显示 Qwen3-1.7B 在文言文下攻击成功率高达 95.7%。团队提出 AXIS 方法，结合偏好优化与旋转目标，在 Qwen3-1.7B、Qwen3-4B 与 GLM-4-9B…
arXiv cs.AI24 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文研究安全对齐模型在角色扮演或叙事包装下绕过拒答的漏洞，构建跨语言基准 GUISE，覆盖英语、现代汉语与文言文。实验显示 Qwen3-1.7B 在文言文下攻击成功率高达 95.7%。团队提出 AXIS 方法，结合偏好优化与旋转目标，在 Qwen3-1.7B、Qwen3-4B 与 GLM-4-9B…