Behind the Refusal: Determining Guardrail Activation via Behavioral Monitoring

本文提出了一种针对大型语言模型（LLM）及智能体系统中防护栏（guardrail）的黑盒侦察方法。在现实应用中，LLM常配备防护栏系统以检测并阻止恶意指令。然而，在进行黑盒对抗模拟时，研究人员难以区分防护栏拦截与LLM自身拒绝响应（LLM

历史摘要 · 未重新核验 · arXiv cs.CR