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
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.
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/