arXiv 自然语言处理· Jialin Song, Xiaodong Liu, Weiwei Yang, Mingqian Feng, Chengquan Guo, Qiyao Ma, Carolyn Buractaon, Anson Ho, Wuyang Chen, Christopher White·· 10 小时前AI 评分37
CoFiBreak：用于有效多轮越狱的由粗到细多样性奖励机制
CoFiBreak: A Coarse-to-Fine Diversity Reward for Effective Multi-Turn Jailbreak
AI 导读
CoFiBreak 提出一种用于 GRPO 的由粗到细多样性奖励机制，在保持低推理成本的同时提升大语言模型多轮越狱的攻击多样性与有效性。该方法在 HarmBench 发现的成功细粒度策略数量达基线的 1.6-2.0 倍，并在 AdvBench 达到 98.8% ASR@10。其攻击迁移至未见受害模型 Claude-Opus-4.6 亦可达 71.0% ASR@10，相关代码将开源。
来源：arXiv 自然语言处理 · arxiv.org