论文与研究

Transluce 用 RL 训练 investigator agent 自动越狱前沿模型,Llama-3.1 8B 即可攻击 GPT-5 与 Claude

原文标题:Automatically Jailbreaking Frontier Language Models with Investigator Agents

AI 摘要

Transluce 通过强化学习训练 investigator agent,针对 48 个涉及 CBRN、炸药和违禁药物的高危任务生成自然语言越狱提示,对 Claude Sonnet 4、Grok 4、Gemini 2.5 Pro、GPT-5-main 的 pass@1 成功率分别达 92%、98%、90% 和 78%。

关键信息

  • Transluce 通过强化学习训练 investigator agent,针对 48 个涉及 CBRN、炸药和违禁药物的高危任务生成自然语言越狱提示,对 Claude Sonnet 4、Grok…
  • 5 Pro、GPT-5-main 的 pass@1 成功率分别达 92%、98%、90% 和 78%
  • 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

速览

发布时间
更新时间
来源
Transluce(网页)
分类
论文与研究
AI 评分
70
阅读原文 前往信息源阅读完整正文
推荐理由

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。

相关实体

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:Transluce 用 RL 训练 investigator agent 自动越狱前沿模型,Llama-3.1 8B 即可攻击 GPT-5 与 Claude。2025年9月3日。https://new.nat6.net/news/cmtyo2tx503jorog01e4ibvpa/

查看全部 →