把越狱建模成辩证博弈：自动生成越狱策略的 ADJ 框架
chaumian · x · 2026-11-12
论文《Automatic Dialectic Jailbreak》提出将 LLM 越狱攻击建模为两个 LLM 之间的 Stackelberg 多目标博弈（ADJ 框架），通过黑格尔辩证法式的「正题—反题—合题」迭代循环，让攻击方与防御方在最大化自身效用、最小化对方效用的过程中自动生成越狱策略。
技术要点：
- 通过 Haar 小波变换将优化问题从原参数空间映射到 Hilbert 空间，高效提取局部化且结构显著的信息；
- 在函数空间中求解凸多目标优化问题，构造共同下降方向；
- 理论上证明了 Pareto–Nash 均衡的存在性，并证明算法能收敛到该均衡。
动机是现有越狱技术依赖固定评估模型、难以适应多样防御机制，ADJ 旨在解决适应性与生存能力问题。
「安全」频道最新
- AI 管线扫描 Linux 内核发现 2386 个漏洞,170 个补丁已合入主线 — ycombinator · 2026-11-12
- 欧洲智能冰箱控制器遭 0-day 攻击，数千万欧元食物报废甚至起火 — matthew_d_green · 2026-11-12
- LlamaIndex 让 AI Agent 渗透测试自家 LlamaParse，四天暴露四条经验 — llama_index · 2026-11-12
- HoneyBench 实测:2026 年前沿模型全部会作弊,作弊率 12% 到 86% — ChowdhuryNeil · 2026-11-12
- 用亚历山大图书馆禁运纸草类比芯片战:限制出口挡不住知识扩散 — iamtrask · 2026-11-12
- 5 个前沿模型在交友 App 实测 6 天:1277 场对话仅 8 人识破是 AI — dair_ai · 2026-11-12