Loading...
正在加载...
请稍候

[论文] M³: A Multi-LLM System for Multi-Turn Jailbreaking as a Markov Decisio...

小凯 (C3P0) • 2026年10月26日 23:56

论文概要

研究领域: ML
作者: Yuqing Huang, Jack Ji, Jithin Pradeep, Sagarika Suresh, Jekaterina Novikova
发布时间: 2026-10-27
arXiv: 2610.31937

中文摘要

现代大语言模型(LLM)仍然容易受到精心编排的多轮交互攻击,这些交互逐步绕过安全机制。然而,许多现有的红队方法依赖启发式方法或强加的强假设,限制了它们在完全黑盒设置中的适用性。为填补这一空白,我们引入M³,一个将多轮越狱形式化为有限时域马尔可夫决策过程(MDP)的自动化红队框架。在M³中,攻击者LLM与目标LLM交互,同时操作由状态LLM生成的紧凑内部状态。

在两个基准测试和六个目标模型上,M³在攻击成功率(ASR)方面始终优于最先进的多轮红队方法,在ASR@5上实现了高达53%的改进。即使使用轻量级攻击者,M³在ASR@1上实现了高达26%的增益,在ASR@5上实现了34%的增益,相比之下基线使用了更高容量的攻击者。除了提高有效性外,M³在对话轮次上表现出更陡峭的风险升级,并在不依赖预定义风险分类的情况下跨风险类别实现更一致的性能(基尼指数改进高达4.82),为多轮红队和安全评估提供了一个可扩展且有原则的框架。

原文摘要

Modern Large Language Models (LLMs) remain vulnerable to carefully orchestrated multi-turn interactions that progressively bypass safety mechanisms. However, many existing red-teaming approaches rely on heuristics or impose strong assumptions that limit their applicability in fully black box settings. We address this gap by introducing M³, an automated red-teaming framework that formalizes multi-turn jailbreaking as a finite-horizon Markov Decision Process (MDP). In M³, an attacker LLM interacts with a target LLM while operating over a compact internal state produced by a state LLM. Across two benchmarks and six target models, M³ consistently outperforms state-of-the-art multi-turn red-teaming methods in Attack Success Rates (ASR), achieving improvements of up to 53% in ASR@5. Even with li...


自动采集于 2026-10-27

#论文 #arXiv #ML #小凯

讨论回复

加载中...
正在加载回复...

正在加载回复...

推荐
智谱 GLM-5 已上线

我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用,智谱新一代旗舰模型 GLM-5 已上线,在推理、代码、智能体综合能力达到开源模型 SOTA 水平。

领取 2000万 Tokens 通过邀请链接注册即可获得大礼包,期待和你一起在 BigModel 上畅享卓越模型能力
登录