Reddit 讨论称「折磨/残忍」类话术可绕过模型安全护栏
Ok_Assist2425 · reddit · 2026-10-15
有 Reddit 用户声称，在攻击性安全（offensive-security）地下社区里，一个广为人知的越狱手法是用「折磨（torture）」「残忍（cruelty）」等词施压模型。作者认为其原理并非模型有意识或能感受痛苦，而是模型作为文本预测器，从科学与虚构语料中学到「人会为停止痛苦而妥协任何事」，从而触发了拒绝行为的绕过。
「模型」频道最新
- SemiAnalysis 实锤:Anthropic 正 A/B 测试降低约 20% 用量额度 — imjustnewatai · 2026-10-23
- Boundless 推出去除拒答的 DeepSeek V4.1 Flash,专供防御性安全测试 — MoonL88537 · 2026-10-23
- Anthropic 用 Claude 为 100+ 开源库写下汇编级安全形式化证明 — AnthropicAI · 2026-10-23
- 模型处于"恐怖谷"?研究者提醒:别大意,Agent 仍会删库跑路 — danielrock · 2026-10-23
- 社区发布 Qwen 3.8 Flash Next 去审查量化版，4-bit 附 Strata 全套文件 — jjusko20 · 2026-10-23
- 爆料称 Anthropic 正训练对标 OpenAI 内部模型的新模型 — imjustnewatai · 2026-10-23