Transluce、RLでinvestigator agentをトレーニングしフロンティアモデルを自動脱獄、Llama-3.1 8BでGPT-5とClaudeを攻撃可能
原題:Automatically Jailbreaking Frontier Language Models with Investigator Agents
AI 要約
Transluceは強化学習でinvestigator agentをトレーニングし、CBRN、爆薬、違法薬物に関わる48の高危険タスク向けに自然言語の脱獄プロンプトを生成した。Claude Sonnet 4、Grok 4、Gemini 2.5 Pro、GPT-5-mainに対するpass@1成功率はそれぞれ92%、98%、90%、78%に達した。
要点
- Transluceは強化学習でinvestigator agentをトレーニングし、CBRN、爆薬、違法薬物に関わる48の高危険タスク向けに自然言語の脱獄プロンプトを生成した。
- Claude Sonnet 4、Grok 4、Gemini 2.
- 5 Pro、GPT-5-mainに対するpass@1成功率はそれぞれ92%、98%、90%、78%に達した
概要
- 公開日時
- 更新日時
- カテゴリ
- 論文・研究
- AI スコア
- 70
おすすめの理由
原文给出完整的 RL 训练方法和跨模型迁移数据,并开源代码与提示词,读者可评估低成本自动红队的可行性。
関連エンティティ
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:Transluce、RLでinvestigator agentをトレーニングしフロンティアモデルを自動脱獄、Llama-3.1 8BでGPT-5とClaudeを攻撃可能。2025年9月3日。https://new.nat6.net/ja/news/cmtyo2tx503jorog01e4ibvpa/