Intent-Hiding Jailbreaks: An Information-Theoretic Framework for Compositional Attacks

近期研究表明，大语言模型可被“组合式”越狱攻击：有害意图与若干看似无害的任务被拼接进同一条查询，单独的恶意请求会被拒绝，但嵌入更大规模的良性查询后却可能获得回应。该论文从信息论视角系统刻画这类“意图隐藏”越狱。作者为每个任务赋予一个“被判定

历史摘要 · 未重新核验 · arXiv cs.CR