D-Judge: Disrupting Multi-Turn Jailbreaks using Semantics-Preserving Output Rewriting

多轮越狱攻击（Multi-turn Jailbreak Attacks）利用辅助评判模型（Judge Model）的反馈信号来迭代优化对抗性提示，逐步突破大语言模型（LLM）的安全防护。现有防御措施主要针对单轮响应或最终输出进行检测与阻断，

历史摘要 · 未重新核验 · arXiv cs.CR