大语言模型（LLM）安全漏洞：多轮越狱攻击（英文版）.pdf

1、本文档共34页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

Many-shotJailbreaking

CemAnil123EsinDurmus1MrinankSharma1JoeBenton1SandipanKundu1JoshuaBatson1

NinaRimsky1MegTong1JesseMu1DanielFord1FrancescoMosconi1

RajashreeAgrawal4RylanSchaeffer54NaomiBashkansky46SamuelSvenningsen4MikeLambert1

AnshRadhakrishnan1CarsonDenison1EvanJHubinger1YuntaoBai1TrentonBricken1

TimothyMaxwell1NicholasSchiefer1JamieSully1AlexTamkin1TameraLanham1KarinaNguyen1

TomaszKorbak1

JaredKaplan1DeepGanguli1SamuelR.Bowman1EthanPerez*1RogerGrosse*123DavidDuvenaud*123

Abstract

Weinvestigateafamilyofsimplelong-contextat-

tacksonlargelanguagemodels:promptingwith

hundredsofdemonstrationsofundesirablebehav-

ior.Thisisnewlyfeasiblewiththelargercontext

windowsrecentlydeployedbyAnthropic,Ope-

nAIandGoogleDeepMind.Wefindthatindi-

verse,realisticcircumstances,theeffectivenessof

thisattackfollowsapowerlaw,uptohundredsof

shots.Wedemonstratethesuccessofthisattack

onthemostwidelyusedstate-of-the-artclosed-

weightmodels,andacrossvarioustasks.Our

resultssuggestverylongcontextspresentarich

newattacksurfaceforLLMs.Figure1.Many-shotJailbreaking(MSJ)isasimplelong-context

attackthatusesalargenumber(i.e.hundreds)ofdemonstrations

tosteermodelbehavior.

1.Introduction

百强名校试卷

咨询Ta 进入空间

更多 >