Kertas penyelidikan

Transluce latih ejen penyiasat dengan RL untuk memecah masuk model termaju secara automatik, Llama-3.1 8B mampu menyerang GPT-5 dan Claude

Tajuk asal:Automatically Jailbreaking Frontier Language Models with Investigator Agents

Ringkasan AI

Transluce melatih ejen penyiasat melalui pembelajaran pengukuhan, menjana gesaan jailbreak bahasa semula jadi untuk 48 tugas berisiko tinggi melibatkan CBRN, bahan letupan dan dadah terlarang, dengan kadar kejayaan pass@1 terhadap Claude Sonnet 4, Grok 4, Gemini 2.5 Pro dan GPT-5-main masing-masing mencapai 92%, 98%, 90% dan 78%.

Maklumat penting

  • Transluce melatih ejen penyiasat melalui pembelajaran pengukuhan,menjana gesaan jailbreak bahasa…
  • bahan letupan dan dadah terlarang,dengan kadar kejayaan pass@1 terhadap Claude Sonnet 4,Gemini 2.
  • 5 Pro dan GPT-5-main masing-masing mencapai 92%,98%,90% dan 78%.

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
Transluce(网页)
Kategori
Kertas penyelidikan
Skor AI
70
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

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。

Entiti Berkaitan

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: Transluce latih ejen penyiasat dengan RL untuk memecah masuk model termaju secara automatik, Llama-3.1 8B mampu menyerang GPT-5 dan Claude. 3 September 2025. https://new.nat6.net/ms/news/cmtyo2tx503jorog01e4ibvpa/

Lihat Semua →