10:00
官方账号arXiv cs.AI@Siyu Chen, Haoran Wang, Xiaojian Li, Yao Huang, Yinpeng Dong, Wei Xu
精选
推荐理由：这篇论文揭示了多轮越狱攻击的机制，提出了BLUEPRINT框架，能以最少查询次数实现高成功率攻击。
WORLDSIM
共 1 条相关 AI 资讯
9月3日
10:00
研究者提出BLUEPRINT安全评估框架，将社会影响策略与世界观模拟分离。该框架使用蒙特卡洛树搜索优化四轮对话中的18个理论影响因子。在六个前沿模型上，BLUEPRINT实现了接近上限的ASR成功率，平均仅需2.46次查询。研究发现，所有模型都存在共同的恢复路径——转向具体、可执行的任务框架能成功逃离硬拒绝状态。