May, 2024

攻击链: 基于语义驱动的上下文式多轮攻击器对LLM的攻击

TL;DR我们提出了一种新的利用上下文反馈和语义相关性的方法,通过与大型模型进行多轮对话来自适应地调整攻击策略,从而使模型产生不合理或有害内容。我们评估了该方法在不同的大型语言模型和数据集上,并展示它可以有效揭示大型语言模型的漏洞,并超越现有的攻击方法。我们的工作为攻击和防御大型语言模型提供了一种新的视角和工具,并为对话系统的安全和伦理评估做出了贡献。