Tag: 越狱

All the articles with the tag "越狱".

• 7.7

  理解安全对齐移除：越狱微调和权重正交化如何瓦解 LLM 安全护栏

  2026年04月06日

  · arXiv cs.AI· 04/06 12:33 采集

  首次系统分析越狱微调和权重正交化两种安全移除方法的影响范围，发现安全退化不仅限于拒绝有害请求，还会影响模型整体的推理质量。

• 7.3

  RL 对齐的泛化极限：组合式越狱攻破 gpt-oss-20b 的安全防线

  2026年04月06日

  · arXiv cs.AI· 04/06 12:33 采集

  提出「组合式越狱」攻击策略，通过组合多个单独可防御的攻击技术，利用对齐泛化失败实现突破，揭示 RL 对齐的结构性弱点。