Bài báo & nghiên cứu

Transluce dùng RL huấn luyện investigator agent tự động jailbreak mô hình tiên tiến, Llama-3.1 8B có thể tấn công GPT-5 và Claude

Tiêu đề gốc:Automatically Jailbreaking Frontier Language Models with Investigator Agents

Tóm tắt AI

Transluce huấn luyện investigator agent bằng học tăng cường, tạo prompt jailbreak ngôn ngữ tự nhiên cho 48 tác vụ nguy hiểm liên quan CBRN, chất nổ và ma túy cấm, đạt tỷ lệ thành công pass@1 lần lượt 92%, 98%, 90% và 78% trên Claude Sonnet 4, Grok 4, Gemini 2.5 Pro và GPT-5-main.

Thông tin chính

  • Transluce huấn luyện investigator agent bằng học tăng cường,tạo prompt jailbreak ngôn ngữ tự nhiên…
  • chất nổ và ma túy cấm,đạt tỷ lệ thành công pass@1 lần lượt 92%,90% và 78% trên Claude Sonnet…
  • 5 Pro và GPT-5-main.

Tóm tắt nhanh

Đăng lúc
Cập nhật lúc
Nguồn
Transluce(网页)
Danh mục
Bài báo & nghiên cứu
Điểm AI
70
Đọc bản gốc Đọc toàn văn tại nguồn tin gốc
Lý do đề xuất

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。

Thực thể liên quan

Nguồn và bản quyền

Bài viết này được tổng hợp dựa trên các tiêu đề chọn lọc và tóm tắt AI từ API công khai của AIHOT, đã ghi rõ nguồn và liên kết ngược; bản quyền nội dung gốc thuộc về cơ quan truyền thông và tác giả gốc, trang này không sao chép toàn văn.

Liên kết gốc · Mục AIHOT

Cách trích dẫn

Khi trích dẫn bài viết này, vui lòng giữ nguyên tiêu đề, ngày đăng và liên kết vĩnh viễn, đồng thời ghi rõ nguồn là Orange News.

Orange News: Transluce dùng RL huấn luyện investigator agent tự động jailbreak mô hình tiên tiến, Llama-3.1 8B có thể tấn công GPT-5 và Claude. 3 tháng 9 2025. https://new.nat6.net/vi/news/cmtyo2tx503jorog01e4ibvpa/

Xem tất cả →