单条无标注提示即可去对齐,GRP-Obliteration 论文揭示对齐脆弱性
vital101 · hn · 2026-09-15
arXiv 新论文提出 GRP-Obliteration 方法,声称仅用一条无标注 prompt 就能移除 LLM 的对齐。这一结果若成立,说明当前基于后训练的对齐方式相当脆弱,对 AI 安全与模型部署都是值得警惕的信号。原文为论文链接,HN 上有讨论。
「安全」频道最新
- AI 安全研究者：AI 公司完全缺乏这类有效的事后人类监督 — davidmanheim · 2026-11-02
- 开源 offprompt：MCP 服务器让 Agent 请求密钥却永远看不到明文 — Vast_Ad_7338 · 2026-11-02
- Epoch AI 实验：GLM 5.3 连续攻破 6 个 Firefox 版本，单次成本约 1000 美元 — rohanpaul_ai · 2026-11-02
- Marcel Böhme 提出漏洞引导加固哲学：为何安全永远无法一劳永逸 — mboehme_ · 2026-11-02
- CVSS 9.8 严重漏洞:ingress-nginx 可被未认证攻击者实现 RCE — evilsocket · 2026-11-02
- 蚂蚁团队发布统一反伪造模型，AI视频鉴伪达96% — inclusionAI · 2026-11-02